LightGBM 与 xgboost 对比

转载自http://lightgbm.apachecn.org/cn/latest/Experiments.html#id1

实验

对比实验

详细的实验脚本和输出日志部分请参考 repo.

数据集

我们使用4个数据集进行对比实验，有关数据的细节在下表列出：

数据集	任务	链接	训练集	特征	注释
Higgs	二分类	link	10,500,000	28	使用余下50万个样本作为测试集
Yahoo LTR	机器学习排序	link	473,134	700	set1.train为训练集，set1.test为测试集
MS LTR	机器学习排序	link	2,270,296	137	{S1,S2,S3}为训练集，{S5} 为测试集
Expo	二分类	link	11,000,000	700	使用余下100W个样本作为测试集
Allstate	二分类	link	13,184,290	4228	使用余下100W个样本作为测试集

硬件环境

我们使用一台Linux服务器作为实验平台，具体配置如下：

OS	CPU	Memory
Ubuntu 14.04 LTS	2 * E5-2670 v3	DDR4 2133Mhz, 256GB

底层

我们使用 xgboost 作为底层算法。

并且 xgboost 和 LightGBM 都基于 OpenMP 构建。

设置

我们为该实验建立了3个设置 ， 这些设置的参数如下:

1. xgboost:

   eta = 0.1
   max_depth = 8
   num_round = 500
   nthread = 16
   tree_method = exact
   min_child_weight = 100
   

2. xgboost_hist (使用直方图算法):

   eta = 0.1
   num_round = 500
   nthread = 16
   tree_method = approx
   min_child_weight = 100
   tree_method = hist
   grow_policy = lossguide
   max_depth = 0
   max_leaves = 255
   

3. LightGBM:

   learning_rate = 0.1
   num_leaves = 255
   num_trees = 500
   num_threads = 16
   min_data_in_leaf = 0
   min_sum_hessian_in_leaf = 100
   

xgboost 通过 max_depth 对建树进行深度限制与模型复杂度控制 。

LightGBM 通过 num_leaves 执行带深度限制的 leaf-wise 叶子生长策略与模型复杂度控制。

因此我们无法设置完全相同的模型进行比较。为了相对权衡， 我们在xgboost中设置 max_depth=8 以使叶子数量达到最大数量 255 与 LightGBM 中设置 num_leves=255 进行比较。

其他参数皆为默认值

结论

效率

为了比较效率, 我们只运行没有任何测试或者度量输出的训练进程，并且我们不计算 IO 的时间。

如下是耗时的对比表格：

Data	xgboost	xgboost_hist	LightGBM
Higgs	3794.34 s	551.898 s	238.505513 s
Yahoo LTR	674.322 s	265.302 s	150.18644 s
MS LTR	1251.27 s	385.201 s	215.320316 s
Expo	1607.35 s	588.253 s	138.504179 s
Allstate	2867.22 s	1355.71 s	348.084475 s

我们发现在所有数据集上 LightGBM 都比 xgboost 快。

准确率

为了比较准确率, 我们使用数据集测试集部分的准确率进行公平比较。

Data	Metric	xgboost	xgboost_hist	LightGBM
Higgs	AUC	0.839593	0.845605	0.845154
Yahoo LTR	NDCG1	0.719748	0.720223	0.732466
	NDCG3	0.717813	0.721519	0.738048
	NDCG5	0.737849	0.739904	0.756548
	NDCG10	0.78089	0.783013	0.796818
MS LTR	NDCG1	0.483956	0.488649	0.524255
	NDCG3	0.467951	0.473184	0.505327
	NDCG5	0.472476	0.477438	0.510007
	NDCG10	0.492429	0.496967	0.527371
Expo	AUC	0.756713	0.777777	0.777543
Allstate	AUC	0.607201	0.609042	0.609167

内存消耗

我们在运行训练任务时监视 RES，并在 LightGBM 中设置 two_round=true （将增加数据载入时间，但会减少峰值内存使用量，不影响训练速度和准确性）以减少峰值内存使用量。

Data	xgboost	xgboost_hist	LightGBM
Higgs	4.853GB	3.784GB	0.868GB
Yahoo LTR	1.907GB	1.468GB	0.831GB
MS LTR	5.469GB	3.654GB	0.886GB
Expo	1.553GB	1.393GB	0.543GB
Allstate	6.237GB	4.990GB	1.027GB

并行测试

数据集

我们使用 terabyte click log 数据集进行并行测试，详细信息如下表：

数据	任务	链接	数据集	特征
Criteo	二分类	link	1,700,000,000	67

该数据集包含了 24 天点击记录，其中有 13 个整数特征与 26 个类别特征。

我们统计了该数据集 26 个类别前十天的点击率和计数，使用接下来十天的数据作为训练集并且该训练集中类别已与点击率和计数相对应。

处理后的训练集共有 17 亿条数据和 67 个特征。

环境

我们使用了 16 台 Windows 服务器作为实验平台，详细信息如下表：

OS	CPU	Memory	Network Adapter
Windows Server 2012	2 * E5-2670 v2	DDR3 1600Mhz, 256GB	Mellanox ConnectX-3, 54Gbps, RDMA support

设置：

learning_rate = 0.1
num_leaves = 255
num_trees = 100
num_thread = 16
tree_learner = data

我们在此使用并行数据，因为该数据集数据量大但是特征少。

其他参数皆为默认值

结论

#Machine	Time per Tree	Memory Usage(per Machine)
1	627.8 s	176GB
2	311 s	87GB
4	156 s	43GB
8	80 s	22GB
16	42 s	11GB

从结果看，我们发现 LightGBM 在并行学习中需要线性加速。

GPU 实验

参考 GPU 性能.