lightgbm 学习笔记

首先是配置文件参数。参考自https://lightgbm.apachecn.org/#/docs/6

配置参数实在是太多了，大家还是去原文档查表吧orz

参数名	可选参数	作用
config=	自填，string类型	配置文件的路径
task=	`train`, `predict`, `convert_model`	训练；预测；转化为if-else 模型
	`regression`, `regression_l1`, `huber`, `fair`, `poisson`, `quantile`, `quantile_l2；` `binary`, `multiclass`, `multiclassova`,； `xentropy`, `xentlambda；` `lambdarank`	回归分类交叉熵 lambdarank：标签是离散的整数，且数值越高品质越好。
boosting=	`gbdt`, `rf`, `dart`, `goss`	提升器：梯度提升决策树；随机森林；dart；基于梯度的单面采样
data=	自填	训练数据
valid=	自填，支持多组测试数据一起输入，输入时用‘,’隔开	测试数据
num_iterations=	自填，int类型，默认100	迭代次数
num_leaves=	自填，double型，默认31	单棵树的叶子数
tree_learner=	`serial`, `feature`, `data`, `voting`	决定是否并行学习：不并发；按特征并行学习；按数据并行学习；按投票并行学习。
num_threads=	`自填，整数，默认OpenMP_default`	LightGBM 的线程数，按cpu的核数填。4核就填4.
device=	cpu,gpu	选择使用哪种设备训练模型
learning_rate=	自填，double型，默认0.1	学习率
max_depth=	`自填，整数，默认-1（无限制）`	单棵树的最大深度限制，用于处理过拟合。数值越大拟合能力越强
min_data_in_leaf=	`自填，整数，默认20`	一个叶子中的最小数据量。用于处理过拟合。数值越小拟合能力越强
min_sum_hessian_in_leaf	`自填，duoble型，默认1e-3`	和叶子的纯度有关，用于处理过拟合，越小拟合能力越强
feature_fraction=	`自填，double型，默认1，数值范围（0,1]`	训练前随机保留的特征比例。每次迭代都会重新选择。类似dropout.数值越大拟合能力越强,可以防止过拟合
feature_fraction_seed=	`自填，整型，默认2。`	feature_fraction的随机种子
bagging_fraction=	自填，double型，默认1，数值范围（0,1]	每次从训练随机抽取的样本比例（不放回抽样）数值越大拟合能力越强。可以用来处理过拟合
bagging_freq=	自填，double型，默认0（禁用）	每次bagging_freq次迭代重新抽样，生成新的训练集。
bagging_seed=	自填，整型，默认3。	bagging 随机数种子
early_stopping_round=	自填，整型，默认0（禁用）。	如果一个验证集的度量在 `early_stopping_round` 次循环中没有提升, 将提前停止训练
min_split_gain=	自填，double型，默认0（禁用）	执行切分的最小增益
min_data_per_group=	default=`100`, type=int	每个categorical_feature组的最小数据量。
max_cat_threshold=	default=`32`, type=int	categorical_feature的足底啊类别数
cat_smooth=	default=`10`, type=double	这可以降低噪声categorical_feature中的影响, 尤其是对数据很少的类别
input_model=	自填，string类型	要导入模型的路径
is_unbalance=	default=`false`, type=bool	只适用于二分问题，推荐在样本不平衡时使用。

度量函数metric：太多了不列了参考

定义标签，特征名和类别特征：

train_data = lgb.Dataset(data, label=label, feature_name=['c1', 'c2', 'c3'], categorical_feature=['c3'])

label 要学习的类别标签，feature_name按列赋特征名，

指定哪些列为categorical_feature（如职业：学生，教师。这样的特征是categorical_feature）。

categorical_featured的隔室

用数字做索引, e.g. categorical_feature=0,1,2 意味着 column_0, column_1 和 column_2 是分类特征
为列名添加前缀 name:, e.g. categorical_feature=name:c1,c2,c3 意味着 c1, c2 和 c3 是分类特征
Note: 只支持分类与 int type. 索引从 0 开始. 同时它不包括标签栏
Note: 负值的值将被视为 missing values

数据接口

LightGBM Python 模块能够使用以下几种方式来加载数据:

libsvm/tsv/csv txt format file（libsvm/tsv/csv 文本文件格式）
Numpy 2D array, pandas object（Numpy 2维数组, pandas 对象）
LightGBM binary file（LightGBM 二进制文件）

指定权重

train_data = lgb.Dataset(data, label=label, weight=w) 或者 train_data = lgb.Dataset(data, label=label) train_data.set_weight(w)

train_data = lgb.Dataset(data, label=label, weight=w)

每行数据的训练权重？

参数的设置

参数可以通过字典设置

param = {'num_leaves':31, 'num_trees':100, 'objective':'binary'}
param['metric'] = 'auc'

调参说明

https://lightgbm.apachecn.org/#/docs/7

缺失值的处理

LightGBM 通过默认的方式来处理缺失值，你可以通过设置 use_missing=false 来使其无效。
LightGBM 通过默认的的方式用 NA (NaN) 去表示缺失值，你可以通过设置 zero_as_missing=true 将其变为零。
当设置 zero_as_missing=false （默认）时，在稀疏矩阵里 (和LightSVM) ，没有显示的值视为零。
当设置 zero_as_missing=true 时， NA 和 0 （包括在稀疏矩阵里，没有显示的值）视为缺失。

巴特西