lightGBM的学习整理

 执行步骤

1、初始化，选择一个初始模型，通常是一个常数，比如分类问题中内的类别概率的先验值，回归问题中的目标变量的平均值。

2、训练决策树，对于每一轮迭代，计算当前模型的梯度（损失函数的负梯度），这些梯度表示了模型改进的方向。

3、选择最佳分裂：使用leaf-wise分裂策略，选择具有最大梯度下降的叶子节点进行分裂。这一步骤中，lightGBM会采用GOSS技术来减少样本数量，从而加速训练过程。

4、更新决策树：根据最佳分裂点更新决策树，并为新的叶子节点分配权重。

5、模型融合：将新训练的决策树以加权的方式融合到当前的模型中，权重通常由学习率决定。

6、重复迭代：重复步骤2-5，直到达到预设次数或满足停止条件。

优势：

1、高效性：Leaf-wise分裂策略和GOSS技术使得LightGBM在训练过程中更加高效，能够更快地收敛。

2、减少内存使用：EFB技术通过特征捆绑减少了特征的数量，从而降低了模型的内存空间。

3、高准确率：lightGBM能够捕获非线性关系，并且通过迭代优化逐步提高模型的准确率。

4、易于调参：lightGBM提供了丰富的参数设置，用户可以根据具体问题调整模型的行为。

5、并行计算：算法支持并行学习，可以通过多线程充分利用现代计算机的多核处理器，进一步提高训练速度。

6、缺失值处理：能够自动处理缺失值，不需要用户额外的数据预处理。

7、剪枝策略：具有先进的剪枝策略，可以防止过拟合，提高模型的泛化能力。

基于lightGBM进行海洋轨迹预测

任务：根据仿真人体漂流坐标、海洋环境要素等数据信息，利用lightGBM算法建立落水人员漂移预测模型，模型能够预测落水人员的漂流轨迹，最大程度减小搜寻区域的大小，减少搜救力量的投入，提高海上搜救的成功率，有效保障海上生产的安全。

数据集：①将仿真人体模型在指定位置抛放，通过仿真个人体模型上的GPS/北斗定位模块进行实时定位，记录仿真人体模型的实际漂移轨迹；②部分NC格式的洋流数据跟气象数据。

风场当天的预报数据的分辨率为20km一个网格点，功5151个点，每个文件以UTC12时为起点，包含169个小时的预报数据，风主要关注时间、位置、风速。海洋预报模型采用曲线正交网格，功211301个点，每个文件以UTC00时为起点，包含24个小时的预报数据，海流主要关注时间、位置、流速。

方法概述：对原始数据进行预处理与可视化，利用插值算法得到对应位置更精确的风速与流速信息，并利用light算法预测轨迹的漂移。