LightGBM是一种基于Boosting的分布式算法，采用leaf-wise生长策略和直方图技术优化效率。文章介绍了LightGBM的起源、Histogram与pre-sorted的区别、特征并行和数据并行、顺序访问梯度优化以及类别特征处理。此外，还讨论了应用场景和关键参数，如num_leaves、min_data_in_leaf等，并对比了Catboost的类别特征处理和特征组合方法。
1、LightGBM
LightGBM是基于Boosting思想的分布式算法，基学习器为CART决策树。
2、LightGBM的起源
2.1 传统的特征并行算法不能有效地加速特征选择的效率，当数据量很大时，该并行方法不能加快效率。并且，最优的分裂结果需要在worker之间进行传输，需要消耗很多的传输资源以及传输时间。
2.2 传统的数据并行算法网络传输代价比较大，如果使用point-to-point的传输算法，每个worker的传输代价为O(#machine * #feature * #bin)。 如果使用All Reduce并行算子，传输代价为O(2* #feature * #bin)。
3、Histogram VS pre-sorted
3.1 Histogram
(1) 把连续的浮点特征值离散化成N个整数，构造一个宽度为N的直方图；对于分类特征，则是每一种取值放入一个bin，且当取值的个数大于max_bin数时，会忽略那些很少出现的category值。
(2) 遍历数据时，根据离散化后的值作为索引在直方图中累积统计量。
(3) 一次遍历后，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。 
3.2 pre-sorted
对所有特征都按照特征的数值进行预排序，基本思想是对所有特征都按照特征的数值进行预排序；然后在遍历分割点的时候用O(#data)的代
最低0.47元/天 解锁文章
扫一扫
840
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
