lightgbm_predict4j：LightGBM在线预测的java实现

最新推荐文章于 2024-08-13 08:58:33 发布

lyg5623

最新推荐文章于 2024-08-13 08:58:33 发布

阅读量8.2k

点赞数 2

分类专栏：机器学习文章标签： LightGBM java

本文链接：https://blog.csdn.net/lyg5623/article/details/72779251

版权

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

LightGBM是微软推出的一款开源boosting工具，现在已经成为各类机器学习竞赛常用的一大利器。不过由于LightGBM是c++编写的，并且其预测功能的主要使用方式是命令行调用处理批量数据，比较难用于在线实时预测。lightgbm_predict4j是针对其预测代码用java重新实现的一个小工具，在用LightGBM离线生成模型之后，可以用lightgbm_predict4j加载模型，然后在java应用中用来做在线实时的预测。项目地址：https://github.com/lyg5623/lightgbm_predict4j

用法很简单，比如生成的模型文件为LightGBM_model.txt，以下为预测代码示例：

import java.io.FileNotFoundException;
import java.io.IOException;
import java.net.URLDecoder;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import org.junit.Test;
import org.lightgbm.predict4j.v2.Boosting;
import org.lightgbm.predict4j.v2.OverallConfig;
import org.lightgbm.predict4j.v2.Predictor;
import org.lightgbm.predict4j.SparseVector;

/**
 * @author lyg5623
 */
public class UseageTest {
    //your model path
    private static String modelPath = "LightGBM_model.txt";

    @Test
    public void test() throws FileNotFoundException, IOException {
        String path = UseageTest.class.getClassLoader().getResource(modelPath).getPath();
      //your model path
        path = URLDecoder.decode(path, "utf8");

        Boosting boosting = Boosting.createBoosting(path);
        // predict config, just like predict.conf in LightGBM
        Map<String, String> map = new HashMap<String, String>();
        OverallConfig config = new OverallConfig();
        config.set(map);
        Predictor predictor =
                new Predictor(boosting, config.io_config.num_iteration_predict, config.io_config.is_predict_raw_score,
                        config.io_config.is_predict_leaf_index, config.io_config.pred_early_stop,
                        config.io_config.pred_early_stop_freq, config.io_config.pred_early_stop_margin);

        // your data to predict
        int[] indices = {2, 6, 9};
        double[] values = {0.2, 0.4, 0.7};

        SparseVector v = new SparseVector(values, indices);
        List<Double> predicts = predictor.predict(v);
        System.out.println("predict values " + predicts.toString());

    }

}