目录
2、建议使用更小的learning_rate和更大的num_iteration
LGBMClassifier函数的简介、具体案例、调参技巧
LGBMClassifier函数的调参技巧
1、lightGBM适合较大数据集的样本
而对于较小的数据集(<10000条记录)，lightGBM可能不是最佳选择。所以，如果进行调优lightgbm参数，这可能没有帮助。
2、建议使用更小的learning_rate和更大的num_iteration
此外，如果您想要更高的num_iteration，那么您应该使用early_stopping_rounds，以便在无法学习任何有用的内容时停止训练。
3、样本不平衡调参技巧
lightgbm中，可以设置两个参数is_unbalance和scale_pos_weight。
is_unbalace：当其为True时，算法将尝试自动平衡占主导地位的标签的权重(使用列集中的pos/neg分数)
scale_pos_weight：默认1，即假设正负标签都是相等的。在不平衡数据集的情况下，建议使用以下公式：
sample_pos_weight = number of negative samples / number of positive samples
4、调参时，可将参数字典分为两大类
https://sites.google.com/view/lauraepp/parameters
调优参数 |
search_params = {'learning_rate': 0.4, 'max_depth': 15, 'num_leaves': 20, 'feature_fraction': 0.8, 'subsample': 0.2} |
固定参数 |
fixed_params={'objective': 'binary', 'metric': 'auc', 'is_unbalance':True, 'boosting':'gbdt', 'num_boost_round':300, 'early_stopping_rounds':30} |
LGBMClassifier函数简介
LightGBM原论文：https://papers.nips.cc/paper/6907-lightgbm-a-highly-efficient-gradient-boosting-decision-tree
1、所有弱学习器的参数
参数及其默认 |
参数解释及调参技巧 |
boosting_type='gbdt' |
提升树的类型，常用的梯度提升方法包括gbdt、dart、goss、rf。可以尝试运行不同类型的渐变增强提升方法。 (1)、gbdt：这是传统的梯度提升决策树，也是基于XGBoost和pGBRT等优秀库背后的算法。gbdt精度高、效率高、稳定性好，目前已得到广泛的应用。但是，它的主要缺点是，在每个树节点中找到最佳分割点非常耗时，而且会消耗内存。下边其它的提升方法试图解决这个问题。 (2)、dart：即Dropouts meet Multiple Additive Regression Trees，dart利用dropout技巧(源自深度神经网络)解决过拟合的Regression Trees，改进模型正则化。gbdt存在过度专门化（over-specialization）的问题，这意味着在以后的迭代中添加的树往往只会影响对少数实例的预测，而对其余实例的贡献则可以忽略不计。添加dropout会使树在以后的迭代中更加难以专门化那些少数的示例，从而提高性能。 它的原理是随机丢弃生成的决策树，然后再从剩下的决策树集中迭代优化提升树。它的特点是
dart与gbdt的不同点：计算下一棵树要拟合的梯度的时，仅仅随机从已经生成的树中选取一部分。 注意dart添加一棵树时需要先归一化。 (3)、goss ：基于梯度的单边采样，该方法命名为lightgbm的最重要原因就是其使用了基于Goss方法。goss的基本思想是首先对训练集数据根据梯度排序，预设一个比例划分梯度大小，保留在所有样本中梯度大的数据样本；再设置一个采样比例，从梯度小的样本中按比例抽取样本。为了弥补对样本分布造成的影响，goss算法在计算信息增益时，会对较小梯度的数据集乘以一个系数，用来放大。这样，在计算信息增益时，算法可以更加关注“未被充分训练”的样本数据。 goss通过对较小的样本数据集估算增益，大大的减少了计算量。而且通过证明，goss算法不会过多的降低训练的精度。 标准的gbdt是可靠的，但在大型数据集上速度不够快。因此goss提出了一种基于梯度的采样方法来避免搜索整个搜索空间。其实，对于每个数据实例，当梯度很小时，这意味着不用担心数据是经过良好训练的，而当梯度很大时，应该重新训练。数据实例有大的和小的渐变。因此，goss以一个大的梯度保存所有数据，并对一个小梯度的数据进行随机抽样(这就是为什么它被称为单边抽样)。这使得搜索空间更小，goss的收敛速度更快。 (4)、rf ：随机森林。切记，如果将增强设置为rf，那么lightgbm算法表现为随机森林而不是增强树。根据文档可知，要使用rf，必须使用bagging_fraction和feature_fraction小于1。 |
objective ='binary' |
目标，"regression"、"binary" |
metric='binary_logloss' |
模型度量标准，"rmse"、"auc"、'binary_logloss' |
learning_rate=0.1 |
学习率 |
n_estimators=10 |
拟合的树的棵树，可以理解为训练的轮数。 弱学习器的个数，其中gbdt原理是利用通过梯度不断拟合新的弱学习器，直到达到设定的弱学习器的数量。 |
max_depth=-1 |
最大树的深度。每个弱学习器也就是决策树的最大深度。 其中，-1表示不限制。 |
num_leavel=32 |
树的最大叶子数，控制模型复杂性的最重要参数之一。对比在xgboost中，一般为2^(max_depth) 因LightGBM使用的是leaf-wise的算法，因此在调节树的复杂程度时，使用的是num_leaves而不是max_depth。它们之间大致换算关系：num_leaves = 2^(max_depth)。即它的值的设置应该小于2^(max_depth)，否则会进行警告，可能会导致过拟合。 |
bagging_freq=15 |
控制过拟合。 |
bagging_fraction= 0.8 |
子样例，来控制过拟合。 可以指定每个树构建迭代使用的行数百分比。这意味着将随机选择一些行来匹配每个学习者(树)。这不仅提高了泛化能力，也提高了训练速度。 |
feature_fraction=0.8 |
子特征处理列采样，来控制过拟合。 它将在每次迭代(树)上随机选择特征子集。例如，如果将其设置为0.8，它将在训练每棵树之前选择60%的特性。它常用来加速训练和处理过拟合。 |
subsample=1.0 |
训练样本采样率，行 |
colsample_bytree=1.0 |
训练特征采样率，列 |
subsample_freq=1 |
子样本频率 |
reg_alpha=0.5 |
L1正则化系数 |
reg_lambda=0.5 |
L2正则化系数 |
min_split_gain=0.0 |
最小分割增益 |
min_child_weight=0.001 |
分支结点的最小权重 |
min_child_samples=20 |
|
random_state=None |
随机种子数 |
n_jobs=-1 |
并行运行多线程核心数 |
silent=True |
训练过程是否打印日志信息 |
verbose=-1 |
|
2、具体函数解释
class LGBMClassifier Found at: lightgbm.sklearn
class LGBMClassifier(LGBMModel, _LGBMClassifierBase): """LightGBM classifier.""" def fit(self, X, y, sample_weight=None, init_score=None, eval_set=None, eval_names=None, eval_sample_weight=None, eval_class_weight=None, eval_init_score=None, eval_metric=None, early_stopping_rounds=None, verbose=True, feature_name='auto', categorical_feature='auto', callbacks=None): """Docstring is inherited from the LGBMModel.""" _LGBMAssertAllFinite(y) _LGBMCheckClassificationTargets(y) self._le = _LGBMLabelEncoder().fit(y) _y = self._le.transform(y) self._classes = self._le.classes_ self._n_classes = len(self._classes) if self._n_classes > 2: # Switch to using a multiclass objective in the underlying LGBM instance ova_aliases = "multiclassova", "multiclass_ova", "ova", "ovr" if self._objective not in ova_aliases and not callable(self. _objective): self._objective = "multiclass" if eval_metric in ('logloss', 'binary_logloss'): eval_metric = "multi_logloss" elif eval_metric in ('error', 'binary_error'): eval_metric = "multi_error" elif eval_metric in ('logloss', 'multi_logloss'): eval_metric = 'binary_logloss' elif eval_metric in ('error', 'multi_error'): eval_metric = 'binary_error' if eval_set is not None: if isinstance(eval_set, tuple): eval_set = [eval_set] for i, (valid_x, valid_y) in enumerate(eval_set): if valid_x is X and valid_y is y: eval_set[i] = valid_x, _y else: eval_set[i] = valid_x, self._le.transform(valid_y)
super(LGBMClassifier, self).fit(X, _y, sample_weight=sample_weight, init_score=init_score, eval_set=eval_set, eval_names=eval_names, eval_sample_weight=eval_sample_weight, eval_class_weight=eval_class_weight, eval_init_score=eval_init_score, eval_metric=eval_metric, early_stopping_rounds=early_stopping_rounds, verbose=verbose, feature_name=feature_name, categorical_feature=categorical_feature, callbacks=callbacks) return self
fit.__doc__ = LGBMModel.fit.__doc__ def predict(self, X, raw_score=False, num_iteration=None, pred_leaf=False, pred_contrib=False, **kwargs): """Docstring is inherited from the LGBMModel.""" result = self.predict_proba(X, raw_score, num_iteration, pred_leaf, pred_contrib, **kwargs) if raw_score or pred_leaf or pred_contrib: return result else: class_index = np.argmax(result, axis=1) return self._le.inverse_transform(class_index)
predict.__doc__ = LGBMModel.predict.__doc__ def predict_proba(self, X, raw_score=False, num_iteration=None, pred_leaf=False, pred_contrib=False, **kwargs): """Return the predicted probability for each class for each sample. 返回每个类和每个样本的预测概率。 |
|
Parameters ---------- X : array-like or sparse matrix of shape = [n_samples, n_features] Input features matrix. raw_score : bool, optional (default=False). Whether to predict raw scores. num_iteration : int or None, optional (default=None). Limit number of iterations in the prediction. If None, if the best iteration exists, it is used; otherwise, all trees are used. If <= 0, all trees are used (no limits). pred_leaf : bool, optional (default=False). Whether to predict leaf index. pred_contrib : bool, optional (default=False). Whether to predict feature contributions. Note ---- If you want to get more explanation for your model's predictions using SHAP values like SHAP interaction values, you can install shap package (https://github.com/slundberg/shap).
**kwargs Other parameters for the prediction. Returns ------- predicted_probability : array-like of shape = [n_samples, n_classes]. The predicted probability for each class for each sample. X_leaves : array-like of shape = [n_samples, n_trees * n_classes]. If ``pred_leaf=True``, the predicted leaf every tree for each sample. X_SHAP_values : array-like of shape = [n_samples, (n_features + 1) *n_classes]. If ``pred_contrib=True``, the each feature contributions for each sample. """ result = super(LGBMClassifier, self).predict(X, raw_score, num_iteration, pred_leaf, pred_contrib, **kwargs). if self._n_classes > 2 or pred_leaf or pred_contrib: return result else: return np.vstack((1. - result, result)).transpose() |
参数 ---------- X: 类数组形状或稀疏矩阵= [n_samples, n_features]输入特征矩阵。 raw_score : bool，可选(默认=False)。是否预测原始分数。 num_iteration: int或None，可选(默认=None)。预测中的极限迭代次数。如果没有，如果存在最好的迭代，就使用它;否则，使用所有树。如果<= 0，则使用所有树(没有限制)。 pred_leaf: bool，可选(默认=False)。是否预测叶指数。 pred_contrib: bool，可选(默认=False)。是否预测特性贡献。 请注意 ---- 如果您想使用SHAP值(如SHAP交互值)对模型的预测进行更多的解释，您可以安装SHAP包(https://github.com/slundberg/shap)。
* * kwargs 用于预测的其他参数。 返回 ------- predicted_probability : 类数组形状= [n_samples, n_classes]。每个类，每个样本的预测概率。 X_leaves: 类数组的形状= [n_samples, n_trees * n_classes]。如果' ' pred_leaf=True ' '，则为每个样本的每棵树预测的叶。 X_SHAP_values: 类数组形状= [n_samples， (n_features + 1) *n_classes]。如果' ' pred_contrib=True ' '，则每个特性为每个示例贡献。
""" result = super(LGBMClassifier, self).predict(X, raw_score, num_iteration, pred_leaf, pred_contrib, **kwargs). if self._n_classes > 2 or pred_leaf or pred_contrib: return result else: return np.vstack((1. - result, result)).transpose() |
@property def classes_(self): """Get the class label array.""" if self._classes is None: raise LGBMNotFittedError('No classes found. Need to call fit beforehand.') return self._classes
@property def n_classes_(self): """Get the number of classes.""" if self._n_classes is None: raise LGBMNotFittedError('No classes found. Need to call fit beforehand.') return self._n_classes |
|
