LightGBM训练时的training‘s tweedie含义

最新推荐文章于 2022-07-29 14:07:35 发布
最新推荐文章于 2022-07-29 14:07:35 发布
阅读量745 收藏
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43379333/article/details/108178552
版权

在使用llightgbm的skleanr接口进行训练时，object设置为tweedie,
在这里插入图片描述

并且eval_metric为自定义的WMAPE

在迭代时，打印结果如下：
在这里插入图片描述
求教 training’s tweedie 后面的51.xx 的小数代表什么意思？

Peng Qian
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
LightGBM参数
weixin_40705440的博客
11-17 1159
文章目录Core Parameters参数一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 Core Parameters参数 参数 别名 默认值 类型 含义 选项 config config_file “” string 配置文件路径 task task_type train enum 数据的用途 train-用于训练 predict-用于预测convert_model-将模型文件转换为if-else格式 refit-用于用新数据改装现有模型save_binary-加
数据挖掘小白系列!LightGBM详解与调参
qq_35679701的博客
07-09 4572
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2depth2depth，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2depth2depth。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。 ...
LightGBM调参
weixin_41917143的博客
12-01 2724
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2{depth}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2{depth}。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
数据挖掘之心跳信号分类预测--笔记四--边学边做尝试建模
weixin_46303299的博客
03-26 423
数据挖掘之心跳信号分类预测--笔记四--边学边做尝试建模关于task4的学习模型调优我自己的思考关于这段时间尝试的模型憨憨尝试：将序列画成图像，然后做了图像分类进攻RNN后续会尝试的模型 关于task4的学习 这一次的学习内容挺丰富的有很多模型（逻辑回归、决策树、GBDT、XGBoost、LightGBM、Catboost、RNN、LSTM）、有对应模型的性能评估、调参方法（贪心调参、网格搜索、贝叶斯调参） 由于内容多，我就选取了一些自己感兴趣的部分学习一下，这段时间主要还是以心跳信号比赛为背景按自己的想法
LightGBM原理介绍
weixin_42330675的博客
03-22 8238
lightgbm算法原理介绍
SAS tweedie 程序样本
01-28
这使得用户能够更方便地利用Tweedie分布进行数据建模和分析，尤其是在处理具有零膨胀特性的数据时表现尤为出色。SAS 9.4版支持了Tweedie分布的参数估计、假设检验等统计分析方法，极大地提高了数据分析的效率和准确...
sas tweedie glm glmm
01-17
用genmod过程和glimmix过程做tweedie模拟的代码
藏经阁-large-scaled insurance analytics using tweedie models in apa
最新发布
08-28
在这个步骤中，需要使用 Tweedie 模型对数据进行训练，以便对保险数据进行预测。 知识点8: 模型验证 模型验证是大规模保险数据分析的关键步骤。在这个步骤中，需要对模型进行评估，以便确定模型的性能是否达到要求...
Python数据可视化:幂律分布实例详解
01-20
1、公式推导 对幂律分布公式： 对公式两边同时取以10为底的对数： 所以对于幂律公式，对X,Y取对数后，在坐标轴上为线性方程。 2、可视化 从图形上来说，幂律分布及其拟合效果： ...对X轴与Y轴取以10为底的对数。...
Insurance-Pricing-Game:第一名解决方案
03-25
保险定价游戏-第一名解决方案 资料夹结构： Preprocessing.py 特征工程 装箱将连续变量分成多个部分（也隐式地进行了剪切） 用于GLM以帮助捕获非... 基本型号： 特威迪GLM 轻型GBM 深林XGBoost 猫助推器Tweedie偏差
机器学习基础—集成学习Task11（XGB & LGB）
lin0cp的博客
04-27 1170
导语： 本次任务的主题是“XGB & LGB算法的原理与实践”。 学习链接： 集成学习: EnsembleLearning项目-github. 1.XGBoost原理 1.1 基本原理 XGBoost是陈天奇等人开发的一个开源机器学习项目，高效地实现了GBDT算法并进行了算法和工程上的许多改进，被广泛应用在Kaggle竞赛及其他许多机器学习竞赛中并取得了不错的成绩。XGBoost本质上还是一个GBDT，但是力争把速度和效率发挥到极致，所以叫X (Extreme) GBoosted，包括前面说过，两者
LightGBM之metric的选择
weixin_43440760的博客
09-28 1万+
@[TOC]LightGBM之metric的选择 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验； 在创作中心设置你喜爱的代码高亮样式，Markdown 将
[机器学习] Boosting算法4 --- LightGBM介绍与分布式
摩登都市天空---专栏
05-29 6782
相比XGBoost有如下优点：。例如，它将连续的特征值分桶(buckets)装进离散的箱子(bins)，这是的训练过程中变得更快。带深度限制的Leaf-wise的叶子生长策略,。LGB避免了对整层节点分裂法，而采用了对增益最大的节点进行深入分解的方法。这样节省了大量分裂节点的资源。更低的内存占用：使用离散的箱子(bins)保存并替换连续值导致更少的内存占用。...
LightGBM 重要参数、方法、函数理解及调参思路、网格搜索（附例子）
热门推荐
VariableX的博客
07-10 6万+
文章目录一、LightGBM 原生接口重要参数训练参数预测方法绘制特征重要性分类例子回归例子二、LightGBM 的 sklearn 风格接口LGBMClassifier基本使用例子LGBMRegressor基本使用例子三、LightGBM 调参思路四、参数网格搜索 与 xgboost 类似，LightGBM包含原生接口和 sklearn 风格接口两种，并且二者都实现了分类和回归的功能。如果想了解一些理论性的内容，可以看看之前的文章：LightGBM 相关知识理解 一、LightGBM 原生接口 重要参数
机器学习算法之LightGBM
kwame211的博客
02-25 5502
这篇文章我们继续学习一下GBDT模型的另一个进化版本：LightGBM。LigthGBM是boosting集合模型中的新进成员，由微软提供，它和XGBoost一样是对GBDT的高效实现，原理上它和GBDT及XGBoost类似，都采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树。 LightGBM在很多方面会比XGBoost表现的更为优秀。它有以下优势： 更快的训练效率 低内存...
lightgbm python基本使用 --mac下操作
luoyexuge的专栏
06-09 3万+
好几天没有更新博客，最近指标压力大，没去摸索算法，今天写这个博客算是忙里偷闲吧，lightgbm的基本使用，python接口，这个工具微软开源的，号称比xgboost快，具体没怎么对比，先看看如何使用的. 安装编译，其中第一步和第二步以前安装xgboost时候安装过，可以直接跳过 brew install cmakebrew install gcc --without-
lightGBM中的lightgbm.train
weixin_44953928的博客
03-11 7761
文章目录1. lightgbm.train2.返回 lightgbm.Boostermethods 1. lightgbm.train lightgbm.train(params, train_set, num_boost_round=100, valid_sets=None, valid_names=None, fobj=None, feval=None, init_model=None, feature_name='auto', categorical_feature='auto',
LightGBM调参练习——使用自带数据集
weixin_43615654的博客
11-16 2807
基本参考：https://blog.csdn.net/u012735708/article/details/83749703 调参流程 1.选择较高的学习率，大概0.1附近，为了加快收敛速度。 2.对决策树基本参数调参 3.正则化参数调参 4.降低学习率，为了最后提高准确率。 1.学习率和迭代次数 learning_rate = 0.1 →boosting/boost/boosting_type，...
mae,mse,rmse分别利用sklearn和numpy实现
weixin_42726887的博客
07-29 8082
mae,mse,rmse利用sklearn和numpy实现
用matlab表示Tweedie 分布的方差在p=1和p=2时的方差
06-12
在 MATLAB 中，可以使用 tweedie 函数来计算 Tweedie 分布的概率密度函数和累积分布函数。该函数的语法如下： ```matlab pdf = tweedie(x, p, mu, phi) cdf = tweediecdf(x, p, mu, phi) ``` 其中，x 是 Tweedie 分布的随机变量取值，p 是 Tweedie 分布的功率参数，mu 是 Tweedie 分布的均值参数，phi 是 Tweedie 分布的分散参数。需要注意的是，phi 取值时需要满足 1 <= phi <= 2。 Tweedie 分布的方差可以用下面的 MATLAB 代码计算： ```matlab function v = tweedie_var(mu, phi, p) if p == 1 v = mu; elseif p == 2 v = mu.^2 .* phi; else v = mu.^(2-p) .* phi ./(2-p); end end ``` 其中，mu 表示 Tweedie 分布的均值，phi 表示 Tweedie 分布的分散参数，p 表示 Tweedie 分布的功率参数。该函数返回 Tweedie 分布的方差。 当 Tweedie 分布的功率参数 p 取值为 1 时，Tweedie 分布的方差等于均值 mu。当 p 取值为 2 时，Tweedie 分布的方差等于 mu^2 * phi。因此，可以使用下面的 MATLAB 代码计算 Tweedie 分布在 p=1 和 p=2 时的方差： ```matlab mu = 2; % Tweedie 分布的均值 phi = 1.5; % Tweedie 分布的分散参数 v_p1 = tweedie_var(mu, phi, 1); % Tweedie 分布在 p=1 时的方差 v_p2 = tweedie_var(mu, phi, 2); % Tweedie 分布在 p=2 时的方差 disp(['Tweedie 分布在 p=1 时的方差为：', num2str(v_p1)]) disp(['Tweedie 分布在 p=2 时的方差为：', num2str(v_p2)]) ``` 运行上述代码，可以得到 Tweedie 分布在 p=1 和 p=2 时的方差值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值