LightGBM的使用

import lightgbm as lgb
from sklearn.metrics import roc_auc_score
lgb_train = lgb.Dataset(x_train,y_train)
lgb_eval = lgb.Dataset(x_test,y_test,reference = lgb_train)
params = {
        'boosting_type':'gbdt',  #提升器的类型
        'objective':'binary',   
        'metric':{'auc'},
        'num_leaves':32,
        'learning_rate':0.01,
        'feature_fraction':0.9,  #每棵树训练之前选择90%的特征
        'bagging_fraction':0.8,  #类似于feature_fraction,加速训练,处理过拟合
        'bagging_freq':5
        'verbose':0
}
gbm = lgb.train(params,
lgb_train,
num_boost_round = 4000, #number of boosting iterations,
valid_sets = lgb_eval,
verbose_eval=250,
early_stopping_rounds=50)
y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration)

LightGBM Python 模块加载后的数据存在于Dataset对象中。

创建验证数据:

lgb_eval = lgb.Dataset(x_test,y_test,reference = lgb_train)

在LightGBM中,验证数据应该与训练数据一致(格式一致)

或者另一种形式:

lgb_eval = lgb_train.create_vaild(x_test,y_test)

参考:LightGBM的官方文档



  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
LightGBM是一个基于梯度提升决策树(Gradient Boosting Decision Tree)的机器学习框架,它在处理大规模数据集时具有高效性能。下面是Python中使用LightGBM的基本步骤: 1. 安装LightGBM库:使用pip命令安装LightGBM库,例如:`pip install lightgbm` 2. 导入必要的库:在Python脚本中导入LightGBM库和其他需要的库,例如: ```python import lightgbm as lgb from sklearn.model_selection import train_test_split ``` 3. 准备数据集:将数据集划分为训练集和测试集,并将其转换为LightGBM所需的数据格式。通常,LightGBM可以直接处理原始数据,无需进行特征缩放或独热编码。 4. 创建LightGBM数据集:使用`lgb.Dataset()`函数创建LightGBM所需的数据集对象,例如: ```python train_data = lgb.Dataset(X_train, label=y_train) test_data = lgb.Dataset(X_test, label=y_test) ``` 5. 设置模型参数:定义LightGBM模型的参数,例如学习率、树的数量、最大深度等。可以使用`lgb.train()`函数的`params`参数来设置这些参数。 6. 训练模型:使用`lgb.train()`函数训练LightGBM模型,例如: ```python model = lgb.train(params, train_data, num_boost_round=100) ``` 7. 模型预测:使用训练好的模型进行预测,例如: ```python y_pred = model.predict(X_test) ``` 8. 模型评估:根据任务类型选择适当的评估指标,例如分类任务可以使用准确率、召回率等指标进行评估。 9. 调参优化:根据模型表现进行参数调整和优化,以提高模型性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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