lightGBM笔记(持续更新)

https://github.com/Microsoft/LightGBM

https://github.com/Microsoft/LightGBM/tree/master/python-package   官方的python封装

https://github.com/ArdalanM/pyLightGBM   非官方的python封装


这个东西被视为比xgboost更好的GBDT开源实现,同时微软出品。

对比细节可参考

http://blog.csdn.net/chary8088/article/details/54316708

还有人专门写了代码PK

https://github.com/tks0123456789/XGBoost_vs_LightGBM


windows下安装可以参考

http://blog.csdn.net/testcs_dn/article/details/54375316

http://blog.csdn.net/testcs_dn/article/details/54176824

注意需要安装微软的MPI包和编译DLL




特色:

https://github.com/Microsoft/LightGBM/wiki/Features

配置和调参

https://github.com/Microsoft/LightGBM/wiki/Configuration

python范例

https://github.com/Microsoft/LightGBM/blob/master/docs/Python-intro.md




相对xgboost来说,有以下特点:

更好的准备率

消耗更少的内存

支持并行学习


基本上,做了一遍,没什么问题

在R语言中使用LightGBM进行网格搜索,可以按照以下步骤进行操作: 1. 首先,确保已经安装了LightGBM包。可以使用以下命令安装LightGBM包: ```R install.packages("lightgbm") ``` 2. 导入所需的库和数据集。例如,使用以下命令导入LightGBM和其他必要的库: ```R library(lightgbm) library(dplyr) ``` 3. 准备数据集。将数据集分为训练集和测试集,并进行必要的数据预处理。 4. 定义LightGBM模型和参数网格。可以使用以下代码定义模型和参数网格: ```R model <- lgbm(data = x_train, label = y_train, objective = "binary", metric = "binary_logloss", nthread = 2, verbose = -1, num_iterations = 100) param_grid <- list( learning_rate = c(0.01, 0.1, 0.5), max_depth = c(3, 5, 7), num_leaves = c(10, 20, 30) ) ``` 5. 进行网格搜索。使用`lgbm.gridsearch`函数进行网格搜索,并指定要优化的指标和参数网格。例如,使用以下代码进行网格搜索: ```R result <- lgbm.gridsearch(data = x_train, label = y_train, objective = "binary", metric = "binary_logloss", nthread = 2, verbose = -1, num_iterations = 100, param_grid = param_grid) ``` 6. 查看最佳参数和性能。使用`lgbm.best_params`和`lgbm.best_score`函数可以查看最佳参数和对应的性能指标值。例如,使用以下代码查看最佳参数和对应的性能指标值: ```R best_params <- lgbm.best_params(result) best_score <- lgbm.best_score(result) ``` 通过以上步骤,你可以在R语言中使用LightGBM进行网格搜索,并找到最佳参数和对应的性能指标值。请注意,以上代码仅为示例,你可能需要根据自己的数据集和需求进行适当的修改。 #### 引用[.reference_title] - *1* *2* [阿里机器学习训练营 Day 3 lightGBM 学习笔记](https://blog.csdn.net/weixin_45758909/article/details/121810717)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [LightGBM 调参](https://blog.csdn.net/weixin_50304531/article/details/110868372)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 2
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