【python 机器学习】机器学习算法之LightGBM

算法介绍:
LightGBM 由微软2017年提出,主要用于解决 GDBT 在海量数据中遇到的问题,以便其可以更好更快地用于工业实践中。从 LightGBM 名字我们可以看出其是轻量级(Light)的梯度提升机(GBM),其相对 XGBoost 具有训练速度快、内存占用低的特点。
实际上,XGBoost和lightGBM都属于GBDT的一种实现,旨在优化算法的性能,提升算法的训练速度,与XGBoost相比,lightGBM更适应于数据量更大的场景。从GBDT->XGBoost->lightGBM,在模型训练阶段,是不能百分百地断定lightGBM就比GBDT和XGBoost好,因为数据量的大小也决定了模型的可行性。所以实际场景中,还是建议一一尝试之后再做抉择。

在这里插入图片描述

高效梯度提升(LightGBM)
(1)、LightGBM也能提供比XGBoost更高的准确性和更短的训练时间;
(2)、支持并行的树增强操作,即使在大型数据集上(相比于 XGBoost)也能提供更快的训练速度;
(3)、使用直方图histogram-esquealgorithm,将连续的特征转化为离散的特征,从而实现了极快的训练速度和较低的内存使用率;
(4)、通过使用垂直拆分(leaf-wise split)而不是水平拆分(level-wise split)来获得极高的准确性,这会导致非常快速的聚合现象,并在非常复杂的树结构中能捕获训练数据的底层模式。可以通过使用 num_leaves 和 max_depth 这两个超参数来控制过度拟合;

LightGBM在很多方面会比XGBoost表现的更为优秀。它有以下优势:

1、更快的训练效率

2、低内存使用

3、更高的准确率

4、支持并行化学习

5、可处理大规模数据

6、支持直接使用category特征

LightGBM调参指导:

针对 leaf-wise 树的参数优化:

num_leaves:控制了叶节点的数目。它是控制树模型复杂度的主要参数。

如果是level-wise,则该参数为  ,其中depth为树的深度。但是当叶子数量相同时,leaf-wise的树要远远深过level-wise树,非常容易导致过拟合。因此应该让num_leaves小于  。在leaf-wise树中,并不存在depth的概念。因为不存在一个从leaves到depth的合理映射。

min_data_in_leaf:每个叶节点的最少样本数量。它是处理leaf-wise树的过拟合的重要参数。将它设为较大的值,可以避免生成一个过深的树。但是也可能导致欠拟合。

max_depth: 控制了树的最大深度。该参数可以显式的限制树的深度。



针对更快的训练速度:

通过设置 bagging_fraction 和 bagging_freq 参数来使用 bagging 方法

通过设置 feature_fraction 参数来使用特征的子抽样

使用较小的 max_bin

使用 save_binary 在未来的学习过程对数据加载进行加速



获取更好的准确率:

使用较大的 max_bin (学习速度可能变慢)

使用较小的 learning_rate 和较大的 num_iterations

使用较大的 num_leaves (可能导致过拟合)



使用更大的训练数据

尝试 dart

缓解过拟合:

使用较小的 max_bin

使用较小的 num_leaves

使用 min_data_in_leaf 和 min_sum_hessian_in_leaf

通过设置 bagging_fraction 和 bagging_freq 来使用 bagging

通过设置 feature_fraction 来使用特征子抽样



使用更大的训练数据

使用 lambda_l1, lambda_l2 和 min_gain_to_split 来使用正则

尝试 max_depth 来避免生成过深的树



核心参数:

config 或者config_file:一个字符串,给出了配置文件的路径。默认为空字符串。

task: 一个字符串,给出了要执行的任务。可以为:

‘train’ 或者 ‘training’:表示是训练任务。默认为’train’。

‘predict’ 或者 ‘prediction’或者’test’:表示是预测任务。

‘convert_model’: 表示是模型转换任务。将模型文件转换成if-else 格式。

application或者objective或者app:一个字符串,表示问题类型。可以为:

‘regression’或’regression_l2’或’mean_squared_error’或’mse’或’l2_root’或’root_mean_squred_error’或’rmse’:表示回归任务,但是使用L2损失函数。默认为’regression’

‘regression_l1’或者mae或者mean_absolute_error:表示回归任务,但是使用L1损失函数。

‘huber’: 表示回归任务,但是使用huber 损失函数。

‘fair’: 表示回归任务,但是使用fair 损失函数。

‘poisson’: 表示Poisson 回归任务。

‘quantile’: 表示quantile回归任务。

‘quantile_l2’:表示quantile回归任务,但是使用了L2 损失函数。

‘mape’ 或者’mean_absolute_precentage_error’: 表示回归任务,但是使用MAPE 损失函数

‘gamma’: 表示gamma 回归任务。

‘tweedie’: 表示tweedie 回归任务。

‘binary’: 表示二分类任务,使用对数损失函数作为目标函数。

‘multiclass’: 表示多分类任务,使用softmax 函数作为目标函数。必须设置num_class 参数

‘multiclassova’ 或者’multiclass_ova’ 或者’ova’ 或者’ovr’: 表示多分类任务,使用one-vs-all 的二分类目标函数。必须设置num_class 参数

‘xentropy’ 或者’cross_entropy’: 目标函数为交叉熵(同时具有可选择的线性权重)。要求标签是[0,1] 之间的数值。

‘xentlambda’ 或者’cross_entropy_lambda’: 替代了参数化的cross_entropy 。要求标签是[0,1]之间的数值。

‘lambdarank’:表示排序任务。在lambdarank 任务中,标签应该为整数类型,数值越大表示相关性越高。label_gain 参数可以用于设置整数标签的增益(权重)

boosting 或者’boost’ 或者 ‘boosting_type’: 一个字符串,给出了基学习器模型算法。可以为:

‘gbdt’: 表示传统的梯度提升决策树。默认值为’gbdt’

‘rf’: 表示随机森林。

‘dart’: 表示带dropout 的gbdt

goss:表示Gradient-based One-Side Sampling 的gbdt

data或者train或者train_data:一个字符串,给出了训练数据所在的文件的文件名。默认为空字符串。lightgbm将使用它来训练模型。

valid或者test或者valid_data或者test_data:一个字符串,表示验证集所在的文件的文件名。默认为空字符串。lightgbm将输出该数据集的度量。如果有多个验证集,则用逗号分隔。

num_iterations或者num_iteration或者num_tree或者num_trees或者num_round或者num_rounds或者num_boost_round 一个整数,给出了boosting的迭代次数。默认为 100。

对于python/R包,该参数是被忽略的。对于python,使用train()/cv()的输入参数num_boost_round来代替。

在内部,lightgbm对于multiclass 问题设置了num_class*num_iterations 棵树。

learning_rate或者shrinkage_rate: 个浮点数,给出了学习率。默认为1。在dart 中,它还会影响dropped trees 的归一化权重。

num_leaves或者num_leaf:一个整数,给出了一棵树上的叶子数。默认为 31

tree_learner或者tree:一个字符串,给出了tree learner,主要用于并行学习。 默认为’serial’。 可以为:

‘serial’: 单台机器的tree learner

‘feature’: 特征并行的tree learner

‘data’: 数据并行的tree learner

‘voting’: 投票并行的tree learner

num_threads 或者num_thread 或者nthread:一个整数, 给出了lightgbm 的线程数。默认为OpenMP_default。

为了更快的速度,应该将它设置为真正的CPU 内核数,而不是线程的数量(大多数CPU 使用超线程来使每个CPU内核生成2个线程)。

当数据集较小的时候,不要将它设置的过大

对于并行学习,不应该使用全部的CPU核心,因为这会使得网络性能不佳

device: 一个字符串,指定计算设备。默认为’cpu’。 可以为’gpu’,’cpu’。

建议使用较小的max_bin 来获得更快的计算速度

为了加快学习速度,GPU 默认使用32位浮点数来求和。你可以设置gpu_use_dp=True 来启动64位浮点数,但是它会使得训练速度降低。



学习控制参数:

max_depth: 一个整数,限制了树模型的最大深度,默认值为-1。如果小于0,则表示没有限制。

min_data_in_leaf 或者 min_data_per_leaf 或者 min_data或者min_child_samples: 一个整数,表示一个叶子节点上包含的最少样本数量。默认值为 20

min_sum_hessian_in_leaf 或者 min_sum_hessian_per_leaf或者 min_sum_hessian 或者 min_hessian或者min_child_weight: 一个浮点数,表示一个叶子节点上的最小hessian 之和。(也就是叶节点样本权重之和的最小值) 默认为1e-3 。

feature_fraction或者sub_feature或者colsample_bytree:一个浮点数,取值范围为[0.0,1.0], 默认值为0。如果小于1.0,则lightgbm 会在每次迭代中随机选择部分特征。如0.8 表示:在每棵树训练之前选择80% 的特征来训练。

feature_fraction_seed: 一个整数,表示feature_fraction 的随机数种子,默认为2。

bagging_fraction 或者sub_row 或者 subsample:一个浮点数,取值范围为[0.0,1.0], 默认值为0。如果小于1.0,则lightgbm 会在每次迭代中随机选择部分样本来训练(非重复采样)。如0.8 表示:在每棵树训练之前选择80% 的样本(非重复采样)来训练。

bagging_freq 或者subsample_freq:一个整数,表示每bagging_freq 次执行bagging。如果该参数为0,表示禁用bagging。

bagging_seed 或者 bagging_fraction_seed:一个整数,表示bagging 的随机数种子,默认为 3 。

early_stopping_round 或者 early_stopping_rounds或者early_stopping:一个整数,默认为0。如果一个验证集的度量在early_stopping_round 循环中没有提升,则停止训练。如果为0则表示不开启早停。

lambda_l1 或者reg_alpha: 一个浮点数,表示L1正则化系数。默认为0

lambda_l2 或者reg_lambda: 一个浮点数,表示L2正则化系数。默认为0

min_split_gain 或者min_gain_to_split: 一个浮点数,表示执行切分的最小增益,默认为0

drop_rate: 一个浮点数,取值范围为[0.0,1.0],表示dropout 的比例,默认为1。 该参数仅在dart 中使用

skip_drop: 一个浮点数,取值范围为[0.0,1.0],表示跳过dropout 的概率,默认为5。 该参数仅在dart 中使用

max_drop: 一个整数,表示一次迭代中删除树的最大数量,默认为50。 如果小于等于0,则表示没有限制。 该参数仅在dart 中使用

uniform_drop:一个布尔值,表示是否想要均匀的删除树,默认值为False。 该参数仅在dart 中使用

xgboost_dart_mode: 一个布尔值,表示是否使用xgboost dart 模式,默认值为False。该参数仅在dart 中使用

drop_seed: 一个整数,表示dropout 的随机数种子,默认值为 4。 该参数仅在dart 中使用

top_rate: 一个浮点数,取值范围为[0.0,1.0],表示在goss 中,大梯度数据的保留比例,默认值为2。该参数仅在goss 中使用

other_rate: 一个浮点数,取值范围为[0.0,1.0],表示在goss 中,小梯度数据的保留比例,默认值为1。该参数仅在goss 中使用

min_data_per_group:一个整数,表示每个分类组的最小数据量,默认值为100。用于排序任务

max_cat_threshold: 一个整数,表示category 特征的取值集合的最大大小。默认为 32 。

cat_smooth: 一个浮点数,用于category 特征的概率平滑。默认值为 10。它可以降低噪声在category 特征中的影响,尤其是对于数据很少的类。

cat_l2: 一个浮点数,用于category 切分中的L2 正则化系数。默认为 10 。

top_k 或者 topk: 一个整数,用于投票并行中。默认为20 。将它设置为更大的值可以获得更精确的结果,但是会降低训练速度。

IO 参数:

max_bin: 一个整数,表示最大的桶的数量。默认值为 255。lightgbm 会根据它来自动压缩内存。如max_bin=255 时,则lightgbm 将使用uint8 来表示特征的每一个值。

min_data_in_bin: 一个整数,表示每个桶的最小样本数。默认为3。该方法可以避免出现一个桶只有一个样本的情况。

data_random_seed: 一个整数,表示并行学习数据分隔中的随机数种子。默认为1它不包括特征并行。

output_model或者model_output或者model_out: 一个字符串,表示训练中输出的模型被保存的文件的文件名。默认txt 。

input_model或者model_input或者model_in: 一个字符串,表示输入模型的文件的文件名。默认空字符串。对于prediction任务,该模型将用于预测数据,对于train任务,训练将从该模型继续

output_result或者 predict_result或者prediction_result:一个字符串,给出了prediction 结果存放的文件名。默认为txt。

pre_partition 或者 is_pre_partition: 一个布尔值,指示数据是否已经被划分。默认值为False。 如果为true,则不同的机器使用不同的partition 来训练。它用于并行学习(不包括特征并行)

is_sparse或者 is_enable_sparse或者enable_sparse: 一个布尔值,表示是否开启稀疏优化,默认为True。如果为True则启用稀疏优化。

two_round 或者two_round_loading或者 use_two_round_loading: 一个布尔值,指示是否启动两次加载。默认值为False,表示只需要进行一次加载。默认情况下,lightgbm 会将数据文件映射到内存,然后从内存加载特征,这将提供更快的数据加载速度。但是当数据文件很大时,内存可能会被耗尽。如果数据文件太大,则将它设置为True

save_binary或者is_save_binary或者 is_save_binary_file: 一个布尔值,表示是否将数据集(包括验证集)保存到二进制文件中。默认值为False。如果为True,则可以加快数据的加载速度。

verbosity 或者verbose:一个整数,表示是否输出中间信息。默认值为1。如果小于0,则仅仅输出critical 信息;如果等于0,则还会输出error,warning 信息; 如果大于0,则还会输出info 信息。

header或者has_header:一个布尔值,表示输入数据是否有头部。默认为False。

label 或者label_column:一个字符串,表示标签列。默认为空字符串。你也可以指定一个整数,如label=0 表示第0列是标签列。你也可以为列名添加前缀,如label=prefix:label_name

weight 或者weight_column: 一个字符串,表示样本权重列。默认为空字符串。你也可以指定一个整数,如weight=0 表示第0列是权重列。注意:它是剔除了标签列之后的索引。假如标签列为0,权重列为1,则这里weight=0。你也可以为列名添加前缀,如weight=prefix:weight_name

query 或者query_column或者gourp 或者group_column: 一个字符串,query/group ID 列。默认为空字符串。你也可以指定一个整数,如query=0 表示第0列是query列。注意:它是剔除了标签列之后的索引。假如标签列为0,query列为1,则这里query=0。你也可以为列名添加前缀,如query=prefix:query_name

ignore_column 或者 ignore_
发布了650 篇原创文章 · 获赞 779 · 访问量 184万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览