基于LightGBM的分类预测

一、学习知识点概要

1.1 LightGBM的介绍

1). 2017年经微软推出，XGBoost的升级版
2). 模型精度: 两个模型精度相当
3). 训练速度: LightGBM训练的速度更快 => 1/10
4). 内存消耗: LightGBM占用内存更小 => 1/6
5). 特征缺失值: 两个模型都可以自动处理特征缺失值
6). 分类特征: XGBoost不支持类别特征，需要对其进行onehot编码，而LightGBM支持类别特征

• LightGBM的主要优点：

    1.简单易用。提供了主流的Python\C++\R语言接口，用户可以轻松使用LightGBM建模并获得相当不错的效果。
    2.高效可扩展。在处理大规模数据集时高效迅速、高准确度，对内存等硬件资源要求不高。
    3.鲁棒性强。相较于深度学习模型不需要精细调参便能取得近似的效果。
    4.LightGBM直接支持缺失值与类别特征，无需对数据额外进行特殊处理
  

• LightGBM的主要缺点：

    1.相对于深度学习模型无法对时空位置建模，不能很好地捕获图像、语音、文本等高维数据。
    2.在拥有海量训练数据，并能找到合适的深度学习模型时，深度学习的精度可以遥遥领先LightGBM。
  

1.2 LightGBM的应用

金融风控、购买行为识别、交通流量预测、环境声音分类、基因分类、生物成分分析等诸多领域

1.3 学习目标

1. 了解 LightGBM 的参数与相关知识
2. 掌握 LightGBM 的Python调用并将其运用到英雄联盟游戏胜负预测数据集上

1.4 代码流程

Step1: 库函数导入 
Step2: 数据读取/载入 
Step3: 数据信息简单查看 
Step4: 可视化描述 
Step5: 利用 LightGBM 进行训练与预测
Step6: 利用 LightGBM 进行特征选择
Step7: 通过调整参数获得更好的效果

二、学习内容

1.1 基于英雄联盟数据集的LightGBM分类实战

#下载需要用到的数据集
!wget https://tianchi-media.oss-cn-beijing.aliyuncs.com/DSW/8LightGBM/high_diamond_ranked_10min.csv

• 数据描述

特征名称	特征意义	取值范围
WardsPlaced	插眼数量	整数
WardsDestroyed	拆眼数量	整数
FirstBlood	是否获得首次击杀	整数
Kills	击杀英雄数量	整数
Deaths	死亡数量	整数
Assists	助攻数量	整数
EliteMonsters	击杀大型野怪数量	整数
Dragons	击杀史诗野怪数量	整数
Heralds	击杀峡谷先锋数量	整数
TowersDestroyed	推塔数量	整数
TotalGold	总经济	整数
AvgLevel	平均英雄等级	浮点数
TotalExperience	英雄总经验	整数
TotalMinionsKilled	英雄补兵数量	整数
TotalJungleMinionsKilled	英雄击杀野怪数量	整数
GoldDiff	经济差距	整数
ExperienceDiff	经验差距	整数
CSPerMin	分均补刀	浮点数
GoldPerMin	分均经济	浮点数

# 1. 导入库函数
#基础函数库
import numpy as np 
import pandas as pd
# 绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns

# 2. 读取数据
df = pd.read_csv('./high_diamond_ranked_10min.csv')
y = df.blueWins # y label标签

# 3. 数据的简单查看
df.info() # 数据的信息
df.head() # 查看数据的前5行
df.tail() # 查看数据的后5行
y.value_counts() # 查看y值得分布

drop_cols = ['gameId','blueWins'] # 删除无用特征
x = df.drop(drop_cols, axis=1)

x.describe() # 查看数据的统计描述
# 根据上面的描述，我们可以去除一些重复变量，比如只要知道蓝队是否拿到一血，
# 我们就知道红队有没有拿到，可以去除红队的相关冗余数据。
drop_cols = ['redFirstBlood','redKills','redDeaths'
             ,'redGoldDiff','redExperienceDiff', 'blueCSPerMin',
            'blueGoldPerMin','redCSPerMin','redGoldPerMin']
x.drop(drop_cols, axis=1, inplace=True) 

• 小提琴图 (Violin Plot)是用来展示多组数据的分布状态以及概率密度。这种图表结合了箱形图和密度图的特征，主要用来显示数据的分布形状。

• 从图中我们可以看出：

    击杀英雄数量越多更容易赢，死亡数量越多越容易输（bluekills与bluedeaths左右的区别）。
    助攻数量与击杀英雄数量形成的图形状类似，说明他们对游戏结果的影响差不多。
    一血的取得情况与获胜有正相关，但是相关性不如击杀英雄数量明显。
    经济差与经验差对于游戏胜负的影响较小。
    击杀野怪数量对游戏胜负的影响并不大。
  

# 4. 可视化描述
data = x.copy()
data_std = (data - data.mean()) / data.std()
data = pd.concat([y, data_std.iloc[:, 0:9]], axis=1)
data = pd.melt(data, id_vars='blueWins', var_name='Features', value_name='Values')
fig, ax = plt.subplots(1,2,figsize=(15,5))

# 绘制小提琴图
sns.violinplot(x='Features', y='Values', hue='blueWins', data=data, split=True,
               inner='quart', ax=ax[0], palette='Blues')
fig.autofmt_xdate(rotation=45)

data = x.copy()
data_std = (data - data.mean()) / data.std()
data = pd.concat([y, data_std.iloc[:, 9:18]], axis=1)
data = pd.melt(data, id_vars='blueWins', var_name='Features', value_name='Values')
# 绘制小提琴图
sns.violinplot(x='Features', y='Values', hue='blueWins', 
               data=data, split=True, inner='quart', ax=ax[1], palette='Blues')
fig.autofmt_xdate(rotation=45)
plt.show()

# 查看相关性热力图
plt.figure(figsize=(18,14))
sns.heatmap(round(x.corr(),2), cmap='Blues', annot=True)
plt.show()

• 去除相关性弱的冗余特征

drop_cols = ['redAvgLevel','blueAvgLevel']
x.drop(drop_cols, axis=1, inplace=True)

• 画出了插眼数量的散点图，发现不存在插眼数量与游戏胜负间的显著规律。猜测由于钻石分段以上在哪插眼在哪好排眼都是套路，所以数据中前十分钟插眼数拔眼数对游戏的影响不大。所以我们暂时先把这些特征去掉。

sns.set(style='whitegrid', palette='muted')
# 构造两个新特征
x['wardsPlacedDiff'] = x['blueWardsPlaced'] - x['redWardsPlaced']
x['wardsDestroyedDiff'] = x['blueWardsDestroyed'] - x['redWardsDestroyed']

data = x[['blueWardsPlaced','blueWardsDestroyed','wardsPlacedDiff','wardsDestroyedDiff']].sample(1000)
data_std = (data - data.mean()) / data.std()
data = pd.concat([y, data_std], axis=1)
data = pd.melt(data, id_vars='blueWins', var_name='Features', value_name='Values')

plt.figure(figsize=(10,6))
sns.swarmplot(x='Features', y='Values', hue='blueWins', data=data)
plt.xticks(rotation=45)
plt.show()

## 去除和眼位相关的特征
drop_cols = ['blueWardsPlaced','blueWardsDestroyed','wardsPlacedDiff',
            'wardsDestroyedDiff','redWardsPlaced','redWardsDestroyed']
x.drop(drop_cols, axis=1, inplace=True)

• 我们发现击杀、死亡与助攻数的数据分布差别不大。但是击杀减去死亡、助攻减去死亡的分布与原分布差别很大，因此我们新构造这么两个特征。

x['killsDiff'] = x['blueKills'] - x['blueDeaths']
x['assistsDiff'] = x['blueAssists'] - x['redAssists']

x[['blueKills','blueDeaths','blueAssists','killsDiff','assistsDiff','redAssists']].hist(figsize=(12,10), bins=20)
plt.show()

• 我们可以发现击杀数与死亡数与助攻数，以及我们构造的特征对数据都有较好的分类能力。

data = x[['blueKills','blueDeaths','blueAssists','killsDiff','assistsDiff','redAssists']].sample(1000)
data_std = (data - data.mean()) / data.std()
data = pd.concat([y, data_std], axis=1)
data = pd.melt(data, id_vars='blueWins', var_name='Features', value_name='Values')

plt.figure(figsize=(10,6))
sns.swarmplot(x='Features', y='Values', hue='blueWins', data=data)
plt.xticks(rotation=45)
plt.show()

• 一些特征两两组合后对于数据的划分能力也有提升。

data = pd.concat([y, x], axis=1).sample(500)
sns.pairplot(data, vars=['blueKills','blueDeaths','blueAssists','killsDiff','assistsDiff','redAssists'], 
             hue='blueWins')

plt.show()

• 我们构造了两队之间是否拿到龙、是否拿到峡谷先锋、击杀大型野怪的数量差值，发现在游戏的前期拿到龙比拿到峡谷先锋更容易获得胜利。拿到大型野怪的数量和胜率也存在着强相关。

x['dragonsDiff'] = x['blueDragons'] - x['redDragons']
x['heraldsDiff'] = x['blueHeralds'] - x['redHeralds']
x['eliteDiff'] = x['blueEliteMonsters'] - x['redEliteMonsters']
data = pd.concat([y, x], axis=1)
eliteGroup = data.groupby(['eliteDiff'])['blueWins'].mean()
dragonGroup = data.groupby(['dragonsDiff'])['blueWins'].mean()
heraldGroup = data.groupby(['heraldsDiff'])['blueWins'].mean()
fig, ax = plt.subplots(1,3, figsize=(15,4))
eliteGroup.plot(kind='bar', ax=ax[0])
dragonGroup.plot(kind='bar', ax=ax[1])
heraldGroup.plot(kind='bar', ax=ax[2])
print(eliteGroup)
print(dragonGroup)
print(heraldGroup)
plt.show()

• 推塔是英雄联盟这个游戏的核心，因此推塔数量可能与游戏的胜负有很大关系。我们绘图发现，尽管前十分钟推掉第一座防御塔的概率很低，但是一旦某只队伍推掉第一座防御塔，获得游戏的胜率将大大增加。

x['towerDiff'] = x['blueTowersDestroyed'] - x['redTowersDestroyed']
data = pd.concat([y, x], axis=1)
towerGroup = data.groupby(['towerDiff'])['blueWins']
print(towerGroup.count())
print(towerGroup.mean())
fig, ax = plt.subplots(1,2,figsize=(15,5))
towerGroup.mean().plot(kind='line', ax=ax[0])
ax[0].set_title('Proportion of Blue Wins')
ax[0].set_ylabel('Proportion')
towerGroup.count().plot(kind='line', ax=ax[1])
ax[1].set_title('Count of Towers Destroyed')
ax[1].set_ylabel('Count')

Step5: 利用 LightGBM 进行训练与预测

from sklearn.model_selection import train_test_split
data_target_part = y
data_features_part = x
# 切分数据集
x_train, x_test, y_train, y_test = train_test_split(data_features_part, data_target_part, test_size = 0.2, random_state = 2020) 

from lightgbm.sklearn import LGBMClassifier
# 定义 LightGBM 模型 
clf = LGBMClassifier()
# 在训练集上训练LightGBM模型
clf.fit(x_train, y_train)

# 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics
# 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
# 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

Step6: 利用 LightGBM 进行特征选择

# 在LightGBM中可以用属性feature_importances_去查看特征的重要度。
sns.barplot(y=data_features_part.columns, x=clf.feature_importances_)

# 可以使用LightGBM中的下列重要属性来评估特征的重要性。
#	 gain:当利用特征做划分的时候的评价基尼指数
#	 split:是以特征用到的次数来评价
from sklearn.metrics import accuracy_score
from lightgbm import plot_importance

def estimate(model,data):

    #sns.barplot(data.columns,model.feature_importances_)
    ax1=plot_importance(model,importance_type="gain")
    ax1.set_title('gain')
    ax2=plot_importance(model, importance_type="split")
    ax2.set_title('split')
    plt.show()
def classes(data,label,test):
    model=LGBMClassifier()
    model.fit(data,label)
    ans=model.predict(test)
    estimate(model, data)
    return ans
 
ans=classes(x_train,y_train,x_test)
pre=accuracy_score(y_test, ans)
print('acc=',accuracy_score(y_test,ans))

Step7: 通过调整参数获得更好的效果

1. learning_rate: 有时也叫作eta，系统默认值为0.3。每一步迭代的步长，很重要。太大了运行准确率不高，太小了运行速度慢。
2. num_leaves：系统默认为32。这个参数控制每棵树中最大叶子节点数量。
3. feature_fraction：系统默认值为1。我们一般设置成0.8左右。用来控制每棵随机采样的列数的占比(每一列是一个特征)。
4. max_depth： 系统默认值为6，我们常用3-10之间的数字。这个值为树的最大深度。这个值是用来控制过拟合的。max_depth越大，模型学习的更加具体。

• 调节模型参数的方法有贪心算法、网格调参、贝叶斯调参等。这里我们采用网格调参，它的基本思想是穷举搜索：在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果

## 从sklearn库中导入网格调参函数
from sklearn.model_selection import GridSearchCV

# 定义参数取值范围
learning_rate = [0.1, 0.3, 0.6]
feature_fraction = [0.5, 0.8, 1]
num_leaves = [16, 32, 64]
max_depth = [-1,3,5,8]

parameters = { 'learning_rate': learning_rate,
              'feature_fraction':feature_fraction,
              'num_leaves': num_leaves,
              'max_depth': max_depth}
model = LGBMClassifier(n_estimators = 50)

# 进行网格搜索
clf = GridSearchCV(model, parameters, cv=3, scoring='accuracy',verbose=3, n_jobs=-1)
clf = clf.fit(x_train, y_train)

# 网格搜索后的最好参数为
clf.best_params_

# 使用最好的参数构建模型进行预测
clf = LGBMClassifier(feature_fraction = 0.8,
                    learning_rate = 0.1,
                    max_depth= 3,
                    num_leaves = 16)
# 在训练集上训练LightGBM模型
clf.fit(x_train, y_train)

train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

三、学习问题与解决

• 1.使用机器学习解决问题的时候，往往最重要而且最难的是特征工程，特征工程的好坏对模型最终的预测结果有着非常重要的影响
• 2.特征工程往往比较考验人的耐心，因为需要一个一个属性的去分析，有时可能还需要分析多个属性的交叉，统计等
• 3.在数据分析时，对数据的理解和对数据进行可视化分析也非常重要

四、总结

1. LightGBM的重要参数

• 1.1 基本参数调整

  • 1.num_leaves参数: 这是控制树模型复杂度的主要参数，一般的我们会使num_leaves小于（2的max_depth次方），以防止过拟合。由于LightGBM是leaf-wise建树与XGBoost的depth-wise建树方法不同，num_leaves比depth有更大的作用。
  • 2.min_data_in_leaf: 这是处理过拟合问题中一个非常重要的参数. 它的值取决于训练数据的样本个树和 num_leaves参数. 将其设置的较大可以避免生成一个过深的树, 但有可能导致欠拟合. 实际应用中, 对于大数据集, 设置其为几百或几千就足够了.
  • 3.max_depth: 树的深度，depth 的概念在 leaf-wise 树中并没有多大作用, 因为并不存在一个从 leaves 到 depth 的合理映射。

• 1.2 针对训练速度的参数调整

    1.通过设置 bagging_fraction 和 bagging_freq 参数来使用 bagging 方法。
    2.通过设置 feature_fraction 参数来使用特征的子抽样。
    3.选择较小的 max_bin 参数。
    4.使用 save_binary 在未来的学习过程对数据加载进行加速。
  

• 1.3 针对准确率的参数调整

    1.使用较大的 max_bin （学习速度可能变慢）
    2.使用较小的 learning_rate 和较大的 num_iterations
    3.使用较大的 num_leaves （可能导致过拟合）
    4.使用更大的训练数据
    5.尝试 dart 模式
  

• 1.4 针对过拟合的参数调整

    1.使用较小的 max_bin
    2.使用较小的 num_leaves
    3.使用 min_data_in_leaf 和 min_sum_hessian_in_leaf
    4.通过设置 bagging_fraction 和 bagging_freq 来使用 bagging
    5.通过设置 feature_fraction 来使用特征子抽样
    6.使用更大的训练数据
    7.使用 lambda_l1, lambda_l2 和 min_gain_to_split 来使用正则
    8.尝试 max_depth 来避免生成过深的树
  

2. LightGBM原理

• 针对XGBoost的优化 (LightGBM = XGBoost + Histogram + GOSS + EFB)

    1). Histogram算法: 直方图算法 => 减少候选分裂点数量
    2). GOSS算法: 基于梯度的单边采样算法 => 减少样本的数量
    3). RFB算法: 互斥特征捆绑算法 => 减少特征的数量
  

• LightGBM的Histogram算法

    1).替代XGBoost的预排序算法
    2). 思想是先连续的浮点特征值离散化成k个整数，同时构造一个宽度为k的直方图，即将连续的特征值离散化到k个bins上
    3). 当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点
    4). XGBoost需要遍历所有离散的值, LightGBM只要遍历k个直方图的值，候选分裂点数量 = k - 1
  

• GOSS算法

    1). 基于梯度的单边采样算法
    2). 思想是通过样本采样，减少目标函数增益Gain的计算复杂度
    3). 单边采样，只对梯度绝对值较小的样本按照一定比例进行采样，而保留了梯度绝对值较大的样本
    4). 因为目标函数增益主要来自于梯度绝对值较大的样本 => GOSS算法在性能和精度之间进行了很好的trade off
  

• EFB算法

•   1). Exclusive Feature Bundling, 互斥特征绑定算法
    2). 思想是特征中包含大量稀疏特征的时候，减少构建直方图的特征数量，从而降低计算复杂度
    3). 数据集中通常会有大量的系数特征 (大部分为0，少量为非0)，我们认为这些稀疏特征是互斥的，即不会同时取非零值
    4). EFB算法可以通过对某些特征的取值重新编码，将多个这样互斥的特征绑定为一个新的特征
    5). 类别特征可以转换成onehot编码，这些多个特征的onehot编码是互斥的，可以使用EFB将他们绑定为一个特征
    6). 在LightGBM中，可以直接将每个类别取值和一个bin关联，从而自动地处理它们，也就无需预处理成onehot编码