高级算法梳理-Task4 LightGBM框架简介

本文链接：https://blog.csdn.net/hnlylnjyp/article/details/90382417

本文介绍了LightGBM作为提升树算法的一种，如何通过histogram算法、GOSS和EFB解决XGBoost的不足，提升训练效率和准确性。LightGBM采用leaf-wise生长策略，有效降低误差，同时通过限制最大深度防止过拟合。

摘要由CSDN通过智能技术生成

本文根据多篇博文整理总结而成.

提升树是利用加法模型与前向分步算法实现学习的优化过程，它有一些高效实现，如XGBoost, pGBRT，GBDT等。其中GBDT采用负梯度作为划分的指标（信息增益），XGBoost则利用到二阶导数。它们共同的不足是计算信息增益需要扫描所有样本，从而找到最优划分点。在面对大量数据或者特征维度很高时，它们的效率和扩展性很难使人满意。

微软开源的LightGBM（基于GBDT的）则很好的解决这些问题，LightGBM是个快速的，分布式的，高性能的基于决策树算法的梯度提升框架。有以下优势：更快的训练效率;低内存使用;更高的准确率;支持并行化学习;可处理大规模数据;

XGBoost和LightGBM之间更加细致的性能对比如下所示

xgboost优缺点:

优点:XGB利用了二阶梯度来对节点进行划分，相对来说，精度更加高。XGB利用局部近似算法对分裂节点的贪心算法优化，取适当的eps时，可以保持算法的性能且提高算法的运算速度。在损失函数中加入了L1/L2项，控制模型的复杂度，提高模型的鲁棒性。提供并行计算能力，主要是在树节点求不同的候选的分裂点的Gain Infomation（分裂后，损失函数的差值）,Tree Shrinkage，column subsampling等不同的处理细节。

缺点:每轮迭代时，都需要多次遍历整个训练数据。如果把整个训练数据装进内存则会限制训练数据的大小；如果不装进内存，反复地读写训练数据又会消耗非常大的时间。

预排序方法（pre-sorted）：