文章目录

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

boosting / boost / boosting_type

用于指定弱学习器的类型，默认值为 ‘gbdt’，表示使用基于树的模型进行计算。还可以选择为 ‘gblinear’ 表示使用线性模型作为弱学习器。

可选的参数值有：

  • ‘gbdt’，使用梯度提升树
  • ‘rf’，使用随机森林
  • ‘dart’，不太了解，官方解释为 Dropouts meet Multiple Additive Regression Trees
  • ‘goss’，使用单边梯度抽样算法，速度很快，但是可能欠拟合。

推荐设置为 'gbdt’

objective / application

用于指定学习任务及相应的学习目标，常用的可选参数值如下：

  • “regression”，使用L2正则项的回归模型（默认值）。
  • “regression_l1”，使用L1正则项的回归模型。
  • “mape”，平均绝对百分比误差。
  • “binary”，二分类。
  • “multiclass”，多分类。

num_class

用于设置多分类问题的类别个数。

min_child_samples

叶节点样本的最少数量，默认值20，用于防止过拟合。

learning_rate / eta

LightGBM 不完全信任每个弱学习器学到的残差值，为此需要给每个弱学习器拟合的残差值都乘上取值范围在(0, 1] 的 eta，设置较小的 eta 就可以多学习几个弱学习器来弥补不足的残差。

推荐的候选值为：[0.01, 0.015, 0.025, 0.05, 0.1]

max_depth

指定树的最大深度，默认值为-1，表示不做限制，合理的设置可以防止过拟合。

推荐的数值为：[3, 5, 6, 7, 9, 12, 15, 17, 25]。

num_leaves

指定叶子的个数，默认值为31，此参数的数值应该小于 2 m a x _ d e p t h 2^{max\_depth} 2max_depth。

feature_fraction / colsample_bytree

构建弱学习器时，对特征随机采样的比例，默认值为1。

推荐的候选值为：[0.6, 0.7, 0.8, 0.9, 1]

bagging_fraction / subsample

默认值1，指定采样出 subsample * n_samples 个样本用于训练弱学习器。注意这里的子采样和随机森林不一样，随机森林使用的是放回抽样，而这里是不放回抽样。 取值在(0, 1)之间，设置为1表示使用所有数据训练弱学习器。如果取值小于1，则只有一部分样本会去做GBDT的决策树拟合。选择小于1的比例可以减少方差，即防止过拟合，但是会增加样本拟合的偏差，因此取值不能太低。

注意： bagging_freq 设置为非0值时才生效。

推荐的候选值为：[0.6, 0.7, 0.8, 0.9, 1]

bagging_freq / subsample_freq

数值型，默认值0，表示禁用样本采样。如果设置为整数 z ，则每迭代 k 次执行一次采样。

lambda_l1

L1正则化权重项，增加此值将使模型更加保守。

推荐的候选值为：[0, 0.01~0.1, 1]

lambda_l2

L2正则化权重项，增加此值将使模型更加保守。

推荐的候选值为：[0, 0.1, 0.5, 1]

min_gain_to_split / min_split_gain

指定叶节点进行分支所需的损失减少的最小值，默认值为0。设置的值越大，模型就越保守。

**推荐的候选值为：[0, 0.05 ~ 0.1, 0.3, 0.5, 0.7, 0.9, 1] **

min_sum_hessian_in_leaf / min_child_weight

指定孩子节点中最小的样本权重和，如果一个叶子节点的样本权重和小于min_child_weight则拆分过程结束，默认值为1。

推荐的候选值为：[1, 3, 5, 7]

metric

用于指定评估指标，可以传递各种评估方法组成的list。常用的评估指标如下：

  • ‘mae’，用于回归任务，效果与 ‘mean_absolute_error’， ‘l1’ 相同。
  • ‘mse’，用于回归任务，效果与 ‘mean_squared_error’， ‘l2’ 相同。
  • ‘rmse’，用于回归任务，效果与 ‘root_mean_squared_error’， ‘l2_root’ 相同。
  • ‘auc’，用于二分类任务。
  • ‘binary’，用于二分类任务。
  • ‘binary_logloss’，用于二分类任务。
  • ‘binary_error’，用于二分类任务。
  • ‘multiclass’，用于多分类。
  • ‘multi_logloss’， 用于多分类。
  • ‘multi_error’， 用于多分类。

seed / random_state

指定随机数种子。

训练参数

以lightgbm.train为主，参数及默认值如下：

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', early_stopping_rounds=None, evals_result=None, verbose_eval=True, learning_rates=None, keep_training_booster=False, callbacks=None)

1，params

字典类型，用于指定各种参数，例如：{‘booster’:‘gbtree’,‘eta’:0.1}

2，train_set

用于训练的数据，通过给下面的方法传递数据和标签来构造：

train_data = lgb.Dataset(train_x, train_y)

3，num_boost_round

指定最大迭代次数，默认值为10

4，valid_sets

列表类型，用于指定训练过程中用于评估的数据及数据的名称。例如：[train_data, valid_data]

train_data = lgb.Dataset(train_x, train_y)
valid_data = lgb.Dataset(valid_x, valid_y, reference=train)

5，fobj

可以指定二阶可导的自定义目标函数。

6，feval

自定义评估函数。

7，categorical_feature

指定哪些是类别特征。

8，early_stopping_rounds

指定迭代多少次没有得到优化则停止训练，默认值为None，表示不提前停止训练。

注意：valid_sets 必须非空才能生效，如果有多个数据集，则以最后一个数据集为准。

9，verbose_eval

可以是bool类型，也可以是整数类型。如果设置为整数，则每间隔verbose_eval次迭代就输出一次信息。

10，init_model

加载之前训练好的 lgb 模型，用于增量训练。

预测方法

predict(data, num_iteration=None)

参数说明：

  • data：string, numpy array, pandas DataFrame
  • num_iteration：选择第几次迭代用于预测，如果使用了 early_stopping_rounds，那么最佳的一次迭代将被使用

注意，对于分类问题，predict 方法返回的是属于各个类别的概率，需要执行下面的语句才能获取到预测的类别：

y_pred = model.predict(X_test)
y_pred = np.argmax(y_pred, axis=1)

绘制特征重要性

代码如下：

from lightgbm import plot_importance
# 显示重要特征，max_num_features 指定显示多少个特征
plot_importance(lgb_model, max_num_features)
plt.show()

分类例子

from sklearn.datasets import load_iris
import lightgbm as lgb
from lightgbm import plot_importance
import matplotlib.pyplot  as plt
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X,y = iris.data,iris.target
# 数据集分割
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=123457)

# 参数
params = {
    'booster': 'gbtree',
    'objective': 'multiclass',
    'num_class': 3,
    'num_leaves': 31,
    'subsample': 0.8,
    'bagging_freq': 1,
    'feature_fraction ': 0.8,
    'slient': 1,
    'learning_rate ': 0.01,
    'seed': 0
}

# 构造训练集
dtrain = lgb.Dataset(X_train,y_train)
dtest = lgb.Dataset(X_test,y_test)
num_rounds = 500
# xgboost模型训练
model = lgb.train(params,dtrain, num_rounds, valid_sets=[dtrain, dtest], 
                  verbose_eval=100, early_stopping_rounds=100)

# 对测试集进行预测
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, np.argmax(y_pred, axis=1))
print('accuarcy:%.2f%%'%(accuracy*100))

# 显示重要特征
plot_importance(model)
plt.show()

输出结果：

Training until validation scores don't improve for 100 rounds.
[100]	training's multi_logloss: 0.0200407	valid_1's multi_logloss: 0.16259
Early stopping, best iteration is:
[58]	training's multi_logloss: 0.0522685	valid_1's multi_logloss: 0.113599
accuarcy:96.67%

在这里插入图片描述

回归例子

from sklearn.datasets import load_boston
import lightgbm as lgb
from lightgbm import plot_importance
import matplotlib.pyplot  as plt
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 加载波士顿房价预测数据集
boston = load_boston()
X,y = boston.data,boston.target

# 数据集分割
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=0)

params = {
    'booster': 'gbtree',
    'objective': 'regression',
    'num_leaves': 31,
    'subsample': 0.8,
    'bagging_freq': 1,
    'feature_fraction ': 0.8,
    'slient': 1,
    'learning_rate ': 0.01,
    'seed': 0
}


# 构造训练集
dtrain = lgb.Dataset(X_train,y_train)
dtest = lgb.Dataset(X_test,y_test)
num_rounds = 500
# xgboost模型训练
model = lgb.train(params,dtrain, num_rounds, valid_sets=[dtrain, dtest], 
                  verbose_eval=100, early_stopping_rounds=100)

# 对测试集进行预测
y_pred = model.predict(X_test)
print('mse:', mean_squared_error(y_test, y_pred))

# 显示重要特征
plot_importance(model)
plt.show()

输出：

Training until validation scores don't improve for 100 rounds.
[100]	training's l2: 1.98858	valid_1's l2: 22.4685
[200]	training's l2: 0.76671	valid_1's l2: 21.9116
Early stopping, best iteration is:
[141]	training's l2: 1.29078	valid_1's l2: 21.7546
mse: 21.754638427136342

在这里插入图片描述

二、LightGBM 的 sklearn 风格接口

LGBMClassifier

基本使用

LGBMClassifier的引入以及重要参数的默认值如下：

from lightgbm import LGBMClassifier
# 重要参数：
lgb_model = LGBMClassifier(
    boosting_type='gbdt',
    num_leaves=31,
    max_depth=-1,
    learning_rate=0.1,
    n_estimators=100,
    objective='binary', # 默认是二分类
    min_split_gain=0.0,
    min_child_samples=20,
    subsample=1.0,
    subsample_freq=0,
    colsample_bytree=1.0,
    reg_alpha=0.0,
    reg_lambda=0.0,
    random_state=None,
    silent=True
)

其中绝大多数的参数在上文已经说明，不再赘述。

与原生的LightGBM相比，LGBMClassifier并不是调用train方法进行训练，而是使用fit方法：

lgb_model.fit(
    X, # array, DataFrame 类型
    y, # array, Series 类型
    eval_set=None, # 用于评估的数据集，例如：[(X_train, y_train), (X_test, y_test)]
    eval_metric=None, # 评估函数，字符串类型，例如：'l2', 'logloss'
    early_stopping_rounds=None, 
    verbose=True # 设置为正整数表示间隔多少次迭代输出一次信息
)

预测的方法有两种：

lgb_model.predict(data) # 返回预测值
lgb_model.predict_proba(data) # 返回各个样本属于各个类别的概率

例子

from lightgbm import LGBMClassifier
from sklearn.datasets import load_iris
from lightgbm import plot_importance
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载样本数据集
iris = load_iris()
X,y = iris.data,iris.target
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=12343)

model = LGBMClassifier(
    max_depth=3,
    learning_rate=0.1,
    n_estimators=200, # 使用多少个弱分类器
    objective='multiclass',
    num_class=3,
    booster='gbtree',
    min_child_weight=2,
    subsample=0.8,
    colsample_bytree=0.8,
    reg_alpha=0,
    reg_lambda=1,
    seed=0 # 随机数种子
)
model.fit(X_train,y_train, eval_set=[(X_train, y_train), (X_test, y_test)], 
          verbose=100, early_stopping_rounds=50)

# 对测试集进行预测
y_pred = model.predict(X_test)
model.predict_proba
#计算准确率
accuracy = accuracy_score(y_test,y_pred)
print('accuracy:%3.f%%'%(accuracy*100))

# 显示重要特征
plot_importance(model)
plt.show()

输出：

Training until validation scores don't improve for 50 rounds.
Early stopping, best iteration is:
[42]	training's multi_logloss: 0.0831629	valid_1's multi_logloss: 0.183711
accuracy: 97%

在这里插入图片描述

LGBMRegressor

基本使用

XGBRegressor与XGBClassifier类似，其引入以及重要参数的默认值如下：

from lightgbm import LGBMRegressor
# 重要参数：
lgb_model = LGBMRegressor(
    boosting_type='gbdt',
    num_leaves=31,
    max_depth=-1,
    learning_rate=0.1,
    n_estimators=100,
    objective='regression', # 默认是二分类
    min_split_gain=0.0,
    min_child_samples=20,
    subsample=1.0,
    subsample_freq=0,
    colsample_bytree=1.0,
    reg_alpha=0.0,
    reg_lambda=0.0,
    random_state=None,
    silent=True
)

其 fit 方法、predict方法与 LGBMClassifier几乎相同，不再重复说明。

例子

from lightgbm import LGBMRegressor
from lightgbm import plot_importance
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_boston
from sklearn.metrics import mean_squared_error

# 导入数据集
boston = load_boston()
X ,y = boston.data,boston.target
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=0)

model = LGBMRegressor(
    boosting_type='gbdt',
    num_leaves=31,
    max_depth=-1,
    learning_rate=0.1,
    n_estimators=100,
    objective='regression', # 默认是二分类
    min_split_gain=0.0,
    min_child_samples=20,
    subsample=1.0,
    subsample_freq=0,
    colsample_bytree=1.0,
    reg_alpha=0.0,
    reg_lambda=0.0,
    random_state=None,
    silent=True
)

model.fit(X_train,y_train, eval_set=[(X_train, y_train), (X_test, y_test)], 
          verbose=100, early_stopping_rounds=50)

# 对测试集进行预测
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test,y_pred)
print('mse', mse)

# 显示重要特征
plot_importance(model)
plt.show()

输出：

Training until validation scores don't improve for 50 rounds.
[100]	training's l2: 1.99687	valid_1's l2: 24.4987
Did not meet early stopping. Best iteration is:
[100]	training's l2: 1.99687	valid_1's l2: 24.4987
mse 24.498696726728348

在这里插入图片描述

三、LightGBM 调参思路

（1）选择较高的学习率，例如0.1，这样可以减少迭代用时。

（2）然后对 max_depth, num_leaves, min_data_in_leaf, min_split_gain, subsample, colsample_bytree 这些参数进行调整。

其中，num_leaves < 2 m a x _ d e p t h 2^{max\_depth} 2max_depth。而 min_data_in_leaf 是一个很重要的参数, 也叫min_child_samples，它的值取决于训练数据的样本个树和num_leaves. 将其设置的较大可以避免生成一个过深的树, 但有可能导致欠拟合。

其他参数的合适候选值为：

  • max_depth：[3, 5, 6, 7, 9, 12, 15, 17, 25]
  • min_split_gain：[0, 0.05 ~ 0.1, 0.3, 0.5, 0.7, 0.9, 1]
  • subsample：[0.6, 0.7, 0.8, 0.9, 1]
  • colsample_bytree：[0.6, 0.7, 0.8, 0.9, 1]

（3）调整正则化参数 reg_lambda , reg_alpha，这些参数的合适候选值为：

  • reg_alpha：[0, 0.01~0.1, 1]
  • reg_lambda ：[0, 0.1, 0.5, 1]

（4）降低学习率，继续调整参数，学习率合适候选值为：[0.01, 0.015, 0.025, 0.05, 0.1]

四、参数网格搜索

from sklearn.datasets import load_iris
import lightgbm as lgb
from sklearn.model_selection import GridSearchCV  # Perforing grid search
from sklearn.model_selection import train_test_split

# 加载样本数据集
iris = load_iris()
X,y = iris.data,iris.target
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=12343)
train_x, valid_x, train_y, valid_y = train_test_split(X, y, test_size=0.333, random_state=0)   # 分训练集和验证集
train = lgb.Dataset(train_x, train_y)
valid = lgb.Dataset(valid_x, valid_y, reference=train)


parameters = {
              'max_depth': [15, 20, 25, 30, 35],
              'learning_rate': [0.01, 0.02, 0.05, 0.1, 0.15],
              'feature_fraction': [0.6, 0.7, 0.8, 0.9, 0.95],
              'bagging_fraction': [0.6, 0.7, 0.8, 0.9, 0.95],
              'bagging_freq': [2, 4, 5, 6, 8],
              'lambda_l1': [0, 0.1, 0.4, 0.5, 0.6],
              'lambda_l2': [0, 10, 15, 35, 40],
              'cat_smooth': [1, 10, 15, 20, 35]
}
gbm = LGBMClassifier(max_depth=3,
                    learning_rate=0.1,
                    n_estimators=200, # 使用多少个弱分类器
                    objective='multiclass',
                    num_class=3,
                    booster='gbtree',
                    min_child_weight=2,
                    subsample=0.8,
                    colsample_bytree=0.8,
                    reg_alpha=0,
                    reg_lambda=1,
                    seed=0 # 随机数种子
                )
# 有了gridsearch我们便不需要fit函数
gsearch = GridSearchCV(gbm, param_grid=parameters, scoring='accuracy', cv=3)
gsearch.fit(train_x, train_y)

print("Best score: %0.3f" % gsearch.best_score_)
print("Best parameters set:")
best_parameters = gsearch.best_estimator_.get_params()
for param_name in sorted(parameters.keys()):
    print("\t%s: %r" % (param_name, best_parameters[param_name]))

参考文章：

Parameters

lightgbm.LGBMClassifier

lightgbm.LGBMRegressor

LightGBM核心解析与调参

# 机器学习 # python # 算法
Logo
GitCode 开源社区

旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。

更多推荐

【目标检测】目标检测的一些常用神经网络模型及方法

我的阶段性总结????文章目录1.概述1.2 目标检测的任务1.3 目标检测的分类2.R-CNN系列2.1 [R-CNN（Region with CNN features）](https://arxiv.org/pdf/1311.2524.pdf)2.2 [Fast R-CNN](https://www.cv-foundation.org/openaccess/content_iccv_2015/

avatar GitCode 开源社区
cover

用C++实现4种YOLO目标检测（内附完整代码）

avatar GitCode 开源社区
cover

静态时序分析：SDC约束命令create_generated_clock详解（上）

avatar GitCode 开源社区