LightGBM的安装部署

1 LightGBM的CPU版本安装方法

LGBM算法的CPU安装过程较为简单，这里只需要使用在命令行中使用pip工具进行安装即可，并注明使用国内的镜像源：

pip install lightgbm -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，即可按照如下方式进行导入：

import lightgbm as lgb

可以通过如下方式查看LGBM版本号：

lgb.__version__

可在命令行中输入以下命令对LGBM进行升级：

pip install --upgrade lightgbm -i https://pypi.tuna.tsinghua.edu.cn/simple --user

        总的来说，作为新一代集成学习算法，LGBM和XGB类似，也同样拥有独立的第三方库。并且，在深度总结当前机器学习建模的实际使用需求基础上，LGBM算法库为用户提供了非常便捷且完善部署和使用方法。

        LGBM支持Window、MacOS、Linux等主流操作系统，并支持使用pip、conda等工具进行安装，此外，LGBM还支持在Docker中进行安装部署。并且，对于实际生产环境中的海量数据处理需求，LGBM还提供了分布式计算版本和GPU计算版本进行加速计算，其中分布式计算模式下支持从HDFS（Hadoop Distributed File System）系统中进行数据读取和计算，而GPU计算模式下则提供了GPU version（借助OpenCL，即Open Computing Language来实现多种不同GPU的加速计算）和CUDA version（借助CUDA，即Compute Unified Device Architecture来实现NVIDIA GPU加速）。不过，不同于深度学习更倾向于使用CUDA加速，对于LGBM而言，由于目前CUDA version只能在Linux操作系统下实现，因此大多数情况下，我们往往会选择支持Windows系统的GPU version进行GPU加速计算。

        而在实际建模环节，LGBM支持Python、Java、C++等多种编程语言进行调用，并同时提供了Sklearn API和原生API两套调用方法。和XGB类似，LGBM的 sklearn API支持使用sklearn的调用风格和语言习惯进行LGBM模型训练，数据读取环节支持直接读取本地的Numpy或Pandas格式数据，而在实际训练过程中需要先实例化评估器并设置超参数，然后通过.fit的方式进行训练，并且可以直接调用gridsearch进行超参数搜索，也可以使用其他sklearn提供的高阶工具，如构建机器学习流、进行特征筛选或者进行模型融合等；而LGBM的另一种调用方式，即使用原生API进行建模，则会复杂很多，当然原生API也提供了非常多sklearn API中没有的功能。从建模流程上来看，使用原生LGBM API时需要先对数据集进行封装，转化成一种LGBM库定义的一种特殊的数据格式，然后再设置超参数字典，最终带入封装好的数据集和定义好的超参数字典进行训练，而在训练的过程，则支持多种不同的损失函数设置、以及交叉验证的优化流程的自动实现，并且原生API还提供了非常多实用功能，例如提供了GPU加速、精细化控制每一轮迭代的超参数等方法。总的来看，LGBM的sklearn API更加轻量、便捷，并且能够无缝衔接sklearn中其他评估器，快速实现sklearn提供的高阶功能，对于熟悉sklearn的用户而言非常友好；而原生API则会复杂很多，但同时也提供了大量sklearn API无法实现的复杂功能，若能够合理使用，则可以实现相比sklearn API更精准的建模结果、更高效的建模流程。