LightGBM 是微软开发的 boosting 集成模型，和 XGBoost 一样是对 GBDT 的优化和高效实现，原理有一些相似之处，但它很多方面比 XGBoost 有着更为优秀的表现。 1.LightGBM安装 LightGBM作为常见的强大Python机器学习工具库，安装也比较简单。
这些系统下的 XGBoost 安装，大家只要基于 pip 就可以轻松完成了，在命令行端输入命令如下命令即可等待安装完成。
pip install lightgbm 大家也可以选择国内的pip源，以获得更好的安装速度：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple lightgbm Windows系统 对于 Windows 系统而言，比较高效便捷的安装方式是：在网址http://www.lfd.uci.edu/~gohlke/pythonlibs/ 中去下载对应版本的的LightGBM安装包，再通过如下命令安装。
pip install lightgbm‑3.3.2‑cp310‑cp310‑win_amd64.whl 2.LightGBM参数手册 在ShowMeAI的前一篇内容 XGBoost工具库建模应用详解 [3] 通用参数 ，学习目标参数 ，Booster参数 。
而 LightGBM 可调参数更加丰富，包含核心参数 ，学习控制参数 ，IO参数 ，目标参数 ，度量参数 ，网络参数 ，GPU参数 ，模型参数 。这里我常修改的便是核心参数，学习控制参数，度量参数等。下面我们对这些模型参数做展开讲解，更多的细节可以参考 LightGBM中文文档 [4]
(1) 核心参数 config 或者 config_file ：一个字符串，给出了配置文件的路径。默认为空字符串。
task ：一个字符串，给出了要执行的任务。可以为：
train 或者 training ：表示是训练任务。默认为 train 。 predict 或者 prediction 或者 test ：表示是预测任务。 convert_model ：表示是模型转换任务。将模型文件转换成if-else格式。 application 或者 objective 或者 app ：一个字符串，表示问题类型。可以为：
regression 或 regression_l2 或 mean_squared_error 或 mse 或 l2_root 或 root_mean_squred_error 或 rmse ：表示回归任务，但是使用L2损失函数。默认为 regression 。 regression_l1 或者 mae 或者 mean_absolute_error ：表示回归任务，但是使用L1损失函数。 huber ：表示回归任务，但是使用huber损失函数。 fair ：表示回归任务，但是使用fair损失函数。
quantile_l2 ：表示quantile回归任务，但是使用了L2损失函数。 mape 或者 mean_absolute_precentage_error ：表示回归任务，但是使用MAPE损失函数 binary ：表示二分类任务，使用对数损失函数作为目标函数。 multiclass ：表示多分类任务，使用softmax函数作为目标函数。必须设置 num_class 参数 multiclassova 或者 multiclass_ova 或者 ova 或者 ovr ：表示多分类任务，使用 one-vs-all 的二分类目标函数。必须设置 num_class 参数。 xentropy 或者 cross_entropy ：目标函数为交叉熵(同时具有可选择的线性权重)。要求标签是[0,1]之间的数值。 xentlambda 或者 cross_entropy_lambda ：替代了参数化的 cross_entropy 。要求标签是[0,1]之间的数值。
lambdarank ：表示排序任务。在 lambdarank 任务中，标签应该为整数类型，数值越大表示相关性越高。 label_gain 参数可以用于设置整数标签的增益(权重)。 boosting 或者 boost 或者 boosting_type ：一个字符串，给出了基学习器模型算法。可以为：
gbdt ：表示传统的梯度提升决策树。默认值为 gbdt 。 goss ：表示Gradient-based One-Side Sampling 的gbdt。 data 或者 train 或者 train_data ：一个字符串，给出了训练数据所在的文件的文件名。默认为空字符串。LightGBM将使用它来训练模型。
valid 或者 test 或者 valid_data 或者 test_data ：一个字符串，表示验证集所在的文件的文件名。默认为空字符串。LightGBM将输出该数据集的度量。如果有多个验证集，则用逗号分隔。
num_iterations 或者 num_iteration 或者
num_tree 或者 num_trees 或者 num_round 或者 num_rounds 或者 num_boost_round 一个整数，给出了 boosting 的迭代次数。默认为100。
对于Python/R包，该参数是被忽略的。对于Python，使用 train()/cv() 的输入参数 num_boost_round 来代替。 在内部，LightGBM对于multiclass问题设置了 num_class*num_iterations 棵树。 learning_rate 或者 shrinkage_rate ：个浮点数，给出了学习率。默认为1。在dart中，它还会影响dropped trees的归一化权重。
num_leaves 或者 num_leaf ：一个整数，给出了一棵树上的叶子数。默认为31。
tree_learner 或者 tree ：一个字符串，给出了tree learner，主要用于并行学习。默认为 serial 。可以为：
feature ：特征并行的tree learner num_threads 或者 num_thread 或者 nthread ：一个整数，给出了LightGBM的线程数。默认为 OpenMP_default 。
为了更快的速度，应该将它设置为真正的CPU内核数，而不是线程的数量(大多数CPU使用超线程来使每个CPU内核生成2个线程)。 对于并行学习，不应该使用全部的CPU核心，因为这会使得网络性能不佳。 device ：一个字符串，指定计算设备。默认为 cpu 。可以为 gpu 、 cpu 。
建议使用较小的 max_bin 来获得更快的计算速度。 为了加快学习速度，GPU默认使用32位浮点数来求和。你可以设置 gpu_use_dp=True 来启动64位浮点数，但是它会使得训练速度降低。 (2) 学习控制参数 max_depth ：一个整数，限制了树模型的最大深度，默认值为-1。如果小于0，则表示没有限制。 min_data_in_leaf 或者 min_data_per_leaf 或者 min_data 或者 min_child_samples ：一个整数，表示一个叶子节点上包含的最少样本数量。默认值为20。 min_sum_hessian_in_leaf 或者 min_sum_hessian_per_leaf 或者 min_sum_hessian 或者 min_hessian 或者 min_child_weight ：一个浮点数，表示一个叶子节点上的最小hessian之和。(也就是叶节点样本权重之和的最小值)默认为1e-3。 feature_fraction 或者 sub_feature 或者 colsample_bytree ：一个浮点数，取值范围为[0.0,1.0]，默认值为0。如果小于1.0，则LightGBM会在每次迭代中随机选择部分特征。如0.8表示：在每棵树训练之前选择80%的特征来训练。 feature_fraction_seed ：一个整数，表示 feature_fraction 的随机数种子，默认为2。 bagging_fraction 或者 sub_row 或者 subsample ：一个浮点数，取值范围为[0.0,1.0]，默认值为0。如果小于1.0，则LightGBM会在每次迭代中随机选择部分样本来训练(非重复采样)。如0.8表示：在每棵树训练之前选择80%的样本(非重复采样)来训练。 bagging_freq 或者 subsample_freq ：一个整数，表示每 bagging_freq 次执行bagging。如果该参数为0，表示禁用bagging。 bagging_seed 或者 bagging_fraction_seed ：一个整数，表示bagging的随机数种子，默认为3。 early_stopping_round 或者 early_stopping_rounds 或者 early_stopping ：一个整数，默认为0。如果一个验证集的度量在 early_stopping_round 循环中没有提升，则停止训练。如果为0则表示不开启早停。 lambda_l1 或者 reg_alpha ：一个浮点数，表示L1正则化系数。默认为0。 lambda_l2 或者 reg_lambda ：一个浮点数，表示L2正则化系数。默认为0。 min_split_gain 或者 min_gain_to_split ：一个浮点数，表示执行切分的最小增益，默认为0。 drop_rate ：一个浮点数，取值范围为[0.0,1.0]，表示dropout的比例，默认为1。该参数仅在dart中使用。 skip_drop ：一个浮点数，取值范围为[0.0,1.0]，表示跳过dropout的概率，默认为5。该参数仅在dart中使用。 max_drop ：一个整数，表示一次迭代中删除树的最大数量，默认为50。如果小于等于0，则表示没有限制。该参数仅在dart中使用。 uniform_drop ：一个布尔值，表示是否想要均匀的删除树，默认值为False。该参数仅在dart中使用。 xgboost_dart_mode ：一个布尔值，表示是否使用xgboost dart模式，默认值为False。该参数仅在dart中使用。 drop_seed ：一个整数，表示dropout的随机数种子，默认值为4。该参数仅在dart中使用。 top_rate ：一个浮点数，取值范围为[0.0,1.0]，表示在goss中，大梯度数据的保留比例，默认值为2。该参数仅在goss中使用。 other_rate ：一个浮点数，取值范围为[0.0,1.0]，表示在goss中，小梯度数据的保留比例，默认值为1。该参数仅在goss中使用。 min_data_per_group ：一个整数，表示每个分类组的最小数据量，默认值为100。用于排序任务 max_cat_threshold ：一个整数，表示category特征的取值集合的最大大小。默认为32。 cat_smooth ：一个浮点数，用于category特征的概率平滑。默认值为10。它可以降低噪声在category特征中的影响，尤其是对于数据很少的类。 cat_l2 ：一个浮点数，用于category切分中的L2正则化系数。默认为10。 top_k 或者 topk ：一个整数，用于投票并行中。默认为20。将它设置为更大的值可以获得更精确的结果，但是会降低训练速度。 (3) IO参数
max_bin ：一个整数，表示最大的桶的数量。默认值为255。LightGBM会根据它来自动压缩内存。如 max_bin=255 时，则LightGBM将使用uint8来表示特征的每一个值。 min_data_in_bin ：一个整数，表示每个桶的最小样本数。默认为3。该方法可以避免出现一个桶只有一个样本的情况。 data_random_seed ：一个整数，表示并行学习数据分隔中的随机数种子。默认为1它不包括特征并行。 output_model 或者 model_output 或者 model_out ：一个字符串，表示训练中输出的模型被保存的文件的文件名。默认txt。 input_model 或者 model_input 或者 model_in ：一个字符串，表示输入模型的文件的文件名。默认空字符串。对于prediction任务，该模型将用于预测数据，对于train任务，训练将从该模型继续 output_result 或者 predict_result 或者 prediction_result ：一个字符串，给出了prediction结果存放的文件名。默认为txt。 pre_partition 或者 is_pre_partition ：一个布尔值，指示数据是否已经被划分。默认值为False。如果为true，则不同的机器使用不同的partition来训练。它用于并行学习(不包括特征并行) is_sparse 或者 is_enable_sparse 或者 enable_sparse ：一个布尔值，表示是否开启稀疏优化，默认为True。如果为True则启用稀疏优化。 two_round 或者 two_round_loading 或者 use_two_round_loading ：一个布尔值，指示是否启动两次加载。默认值为False，表示只需要进行一次加载。默认情况下，LightGBM会将数据文件映射到内存，然后从内存加载特征，这将提供更快的数据加载速度。但是当数据文件很大时，内存可能会被耗尽。如果数据文件太大，则将它设置为True save_binary
is_save_binary 或者 is_save_binary_file ：一个布尔值，表示是否将数据集(包括验证集)保存到二进制文件中。默认值为False。如果为True，则可以加快数据的加载速度。 verbosity 或者 verbose ：一个整数，表示是否输出中间信息。默认值为1。如果小于0，则仅仅输出critical信息；如果等于0，则还会输出error,warning信息；如果大于0，则还会输出info信息。 header 或者 has_header ：一个布尔值，表示输入数据是否有头部。默认为False。 label 或者 label_column ：一个字符串，表示标签列。默认为空字符串。你也可以指定一个整数，如label=0表示第0列是标签列。你也可以为列名添加前缀，如 label=prefix:label_name 。 weight 或者 weight_column ：一个字符串，表示样本权重列。默认为空字符串。你也可以指定一个整数，如weight=0表示第0列是权重列。注意：它是剔除了标签列之后的索引。假如标签列为0，权重列为1，则这里weight=0。你也可以为列名添加前缀，如 weight=prefix:weight_name 。 query 或者 query_column 或者 gourp 或者 group_column ：一个字符串，query/groupID列。默认为空字符串。你也可以指定一个整数，如query=0表示第0列是query列。注意：它是剔除了标签列之后的索引。假如标签列为0，query列为1，则这里query=0。你也可以为列名添加前缀，如 query=prefix:query_name 。 ignore_column 或者 ignore_feature 或者 blacklist ：一个字符串，表示训练中忽略的一些列，默认为空字符串。可以用数字做索引，如 ignore_column=0,1,2 表示第0,1,2列将被忽略。注意：它是剔除了标签列之后的索引。 你也可以为列名添加前缀，如 ignore_column=prefix:ign_name1,ign_name2 。 categorical_feature 或者 categorical_column 或者 cat_feature 或者 cat_column ：一个字符串，指定category特征的列。默认为空字符串。可以用数字做索引，如 categorical_feature=0,1,2 表示第0,1,2列将作为category特征。注意：它是剔除了标签列之后的索引。你也可以为列名添加前缀，如 categorical_feature=prefix:cat_name1,cat_name2 在categorycal特征中，负的取值被视作缺失值。 predict_raw_score 或者 raw_score 或者 is_predict_raw_score ：一个布尔值，表示是否预测原始得分。默认为False。如果为True则仅预测原始得分。该参数只用于prediction任务。 predict_leaf_index 或者 leaf_index 或者 is_predict_leaf_index ：一个布尔值，表示是否预测每个样本在每棵树上的叶节点编号。默认为False。在预测时，每个样本都会被分配到每棵树的某个叶子节点上。该参数就是要输出这些叶子节点的编号。该参数只用于prediction任务。 predict_contrib 或者 contrib 或者 is_predict_contrib ：一个布尔值，表示是否输出每个特征对于每个样本的预测的贡献。默认为False。输出的结果形状为[nsamples,nfeatures+1]，之所以+1是考虑到bais的贡献。所有的贡献加起来就是该样本的预测结果。该参数只用于prediction任务。 bin_construct_sample_cnt 或者 subsample_for_bin ：一个整数，表示用来构建直方图的样本的数量。默认为200000。如果数据非常稀疏，则可以设置为一个更大的值，如果设置更大的值，则会提供更好的训练效果，但是会增加数据加载时间。 num_iteration_predict ：一个整数，表示在预测中使用多少棵子树。默认为-1。小于等于0表示使用模型的所有子树。该参数只用于prediction任务。 pred_early_stop ：一个布尔值，表示是否使用早停来加速预测。默认为False。如果为True，则可能影响精度。 pred_early_stop_freq ：一个整数，表示检查早停的频率。默认为10
：一个浮点数，表示早停的边际阈值。默认为0 use_missing ：一个布尔值，表示是否使用缺失值功能。默认为True如果为False则禁用缺失值功能。 zero_as_missing ：一个布尔值，表示是否将所有的零(包括在libsvm/sparse矩阵中未显示的值)都视为缺失值。默认为False。如果为False，则将nan视作缺失值。如果为True，则 np.nan 和零都将视作缺失值。 init_score_file ：一个字符串，表示训练时的初始化分数文件的路径。默认为空字符串，表示train_data_file+”.init”(如果存在) valid_init_score_file ：一个字符串，表示验证时的初始化分数文件的路径。默认为空字符串，表示valid_data_file+”.init”(如果存在)。如果有多个(对应于多个验证集)，则可以用逗号 , 来分隔。 (4) 目标参数 sigmoid ：一个浮点数，用sigmoid函数的参数，默认为0。它用于二分类任务和lambdarank任务。 alpha ：一个浮点数，用于Huber损失函数和Quantileregression，默认值为0。它用于huber回归任务和Quantile回归任务。 fair_c ：一个浮点数，用于Fair损失函数，默认值为0。它用于fair回归任务。 gaussian_eta ：一个浮点数，用于控制高斯函数的宽度，默认值为0。它用于regression_l1回归任务和huber回归任务。 posson_max_delta_step ：一个浮点数，用于Poisson regression的参数，默认值为7。它用于poisson回归任务。 scale_pos_weight ：一个浮点数，用于调整正样本的权重，默认值为0它用于二分类任务。 boost_from_average ：一个布尔值，指示是否将初始得分调整为平均值(它可以使得收敛速度更快)。默认为True。它用于回归任务。 is_unbalance 或者 unbalanced_set ：一个布尔值，指示训练数据是否均衡的。默认为True。它用于二分类任务。 max_position ：一个整数，指示将在这个NDCG位置优化。默认为20。它用于lambdarank任务。 label_gain ：一个浮点数序列，给出了每个标签的增益。默认值为0,1,3,7,15,….它用于lambdarank任务。
num_class 或者 num_classes ：一个整数，指示了多分类任务中的类别数量。默认为1它用于多分类任务。 reg_sqrt ：一个布尔值，默认为False。如果为True，则拟合的结果为：\sqrt{label}。同时预测的结果被自动转换为：{pred}^2。它用于回归任务。 (5) 度量参数 metric ：一个字符串，指定了度量的指标，默认为：对于回归问题，使用l2；对于二分类问题，使用 binary_logloss ；对于lambdarank问题，使用ndcg。如果有多个度量指标，则用逗号 , 分隔。
l1 或者 mean_absolute_error 或者 mae 或者 regression_l1 ：表示绝对值损失。 l2 或者 mean_squared_error 或者 mse 或者 regression_l2 或者 regression ：表示平方损失。 l2_root 或者 root_mean_squared_error 或者 rmse ：表示开方损失。 quantile ：表示Quantile回归中的损失。 mape 或者 mean_absolute_percentage_error ：表示MAPE损失。
poisson ：表示poisson回归的负对数似然。 gamma_deviance ：表示gamma回归的残差的方差。 tweedie ：表示Tweedie回归的负对数似然。 map 或者 mean_average_precision ：表示平均的精度。 binary_logloss 或者 binary ：表示二类分类中的对数损失函数。 binary_error ：表示二类分类中的分类错误率。 multi_logloss 或者 multiclass 或者 softmax 或者‘multiclassova 或者 multiclass_ova ，或者 ova 或者 ovr`：表示多类分类中的对数损失函数。 multi_error ：表示多分类中的分类错误率。
xentropy 或者 cross_entropy ：表示交叉熵。 xentlambda 或者 cross_entropy_lambda ：表示intensity加权的交叉熵。 kldiv 或者 kullback_leibler ：表示KL散度。 metric_freq 或者 output_freq ：一个正式，表示每隔多少次输出一次度量结果。默认为1。
train_metric 或者 training_metric 或者 is_training_metric ：一个布尔值，默认为False。如果为True，则在训练时就输出度量结果。
ndcg_at 或者 ndcg_eval_at 或者 eval_at ：一个整数列表，指定了NDCG评估点的位置。默认为1、2、3、4、5。
参数影响与调参建议 以下为总结的核心参数对模型的影响，及与之对应的调参建议。
(1) 对树生长控制 num_leaves ：叶节点的数目。它是控制树模型复杂度的主要参数。
如果是 level-wise ，则该参数为
，其中depth为树的深度。但是当叶子数量相同时，leaf-wise的树要远远深过level-wise树，非常容易导致过拟合。因此应该让num_leaves小于 。在leaf-wise树中，并不存在depth的概念。因为不存在一个从leaves到depth的合理映射。 min_data_in_leaf ：每个叶节点的最少样本数量。
它是处理 leaf-wise 树的过拟合的重要参数。将它设为较大的值，可以避免生成一个过深的树。但是也可能导致欠拟合。 max_depth ：树的最大深度。该参数可以显式的限制树的深度。
(2) 更快的训练速度 通过设置 bagging_fraction 和 bagging_freq 参数来使用bagging方法。 通过设置 feature_fraction 参数来使用特征的子抽样。 使用 save_binary 在未来的学习过程对数据加载进行加速。 (3) 更好的模型效果 使用较小的 learning_rate 和较大的 num_iterations 。 使用较大的 num_leaves (可能导致过拟合)。 (4) 缓解过拟合问题
使用 min_data_in_leaf 和 min_sum_hessian_in_leaf 。 通过设置 bagging_fraction 和 bagging_freq 来使用 bagging 。 通过设置 feature_fraction 来使用特征子抽样。 使用 lambda_l1 、 lambda_l2 和 min_gain_to_split 来使用正则。 3.LightGBM内置建模方式 内置建模方式 LightGBM内置了建模方式，有如下的数据格式与核心训练方法：
下面是官方的一个简单示例，演示了读取libsvm格式数据(成 Dataset 格式)并指定参数建模的过程。
# coding: utf-8 import jsonimport lightgbm as lgbimport pandas as pdfrom sklearn.metrics import mean_squared_error# 加载数据集合 '加载数据...' )'./data/regression.train.txt' , header=None , sep='\t' )'./data/regression.test.txt' , header=None , sep='\t' )# 设定训练集和测试集 0 ].values0 ].values0 , axis=1 ).values0 , axis=1 ).values# 构建lgb中的Dataset格式 # 敲定好一组参数 'task' : 'train' ,'boosting_type' : 'gbdt' ,'objective' : 'regression' ,'metric' : {'l2' , 'auc' },'num_leaves' : 31 ,'learning_rate' : 0.05 ,'feature_fraction' : 0.9 ,'bagging_fraction' : 0.8 ,'bagging_freq' : 5 ,'verbose' : 0 '开始训练...' )# 训练 20 ,5 )# 保存模型 '保存模型...' )# 保存模型到文件中 'model.txt' )'开始预测...' )# 预测 # 评估 '预估结果的rmse为:' )0.5 )加载数据...'s l2: 0.24288 valid_0' s auc: 0.764496't improve for 5 rounds. s l2: 0.239307 valid_0's auc: 0.766173 s l2: 0.235559 valid_0's auc: 0.785547 s l2: 0.230771 valid_0's auc: 0.797786 s l2: 0.226297 valid_0's auc: 0.805155 s l2: 0.223692 valid_0's auc: 0.800979 s l2: 0.220941 valid_0's auc: 0.806566 s l2: 0.217982 valid_0's auc: 0.808566 s l2: 0.215351 valid_0's auc: 0.809041 s l2: 0.213064 valid_0's auc: 0.805953 s l2: 0.211053 valid_0's auc: 0.804631 s l2: 0.209336 valid_0's auc: 0.802922 s l2: 0.207492 valid_0's auc: 0.802011 s l2: 0.206016 valid_0's auc: 0.80193 s l2: 0.215351 valid_0's auc: 0.809041 设置样本权重 LightGBM的建模非常灵活，它可以支持我们对于每个样本设置不同的权重学习，设置的方式也非常简单，我们需要提供给模型一组权重数组数据，长度和样本数一致。
如下是一个典型的例子，其中 binary.train 和 binary.test 读取后加载为
lightgbm.Dataset 格式的输入，而在 lightgbm.Dataset 的构建参数中可以设置样本权重(这个例子中是numpy array的形态)。再基于 lightgbm.train 接口使用内置建模方式训练。
# coding: utf-8 import jsonimport lightgbm as lgbimport pandas as pdimport numpy as npfrom sklearn.metrics import mean_squared_errorimport warnings"ignore" )# 加载数据集 '加载数据...' )'./data/binary.train' , header=None , sep='\t' )'./data/binary.test' , header=None , sep='\t' )'./data/binary.train.weight' , header=None )[0 ]'./data/binary.test.weight' , header=None )[0 ]0 ].values0 ].values0 , axis=1 ).values0 , axis=1 ).values# 加载数据的同时加载权重 False )False )# 设定参数 'boosting_type' : 'gbdt' ,'objective' : 'binary' ,'metric' : 'binary_logloss' ,'num_leaves' : 31 ,'learning_rate' : 0.05 ,'feature_fraction' : 0.9 ,'bagging_fraction' : 0.8 ,'bagging_freq' : 5 ,'verbose' : 0 # 产出特征名称 'feature_' + str(col) for col in range(num_feature)]'开始训练...' )10 ,# 评估训练集 21 ])加载数据...'s binary_logloss: 0.68205 s binary_logloss: 0.673618's binary_logloss: 0.665891 s binary_logloss: 0.656874's binary_logloss: 0.648523 s binary_logloss: 0.641874's binary_logloss: 0.636029 s binary_logloss: 0.629427's binary_logloss: 0.623354 s binary_logloss: 0.617593 模型存储与加载 上述建模过程得到的模型对象，可以通过save_model成员函数进行保存。保存好的模型可以通过 lgb.Booster 加载回内存，并对测试集进行预测。
具体示例代码如下：
# 查看特征名称 '完成10轮训练...' )'第7个特征为:' )6 ]))# 存储模型 './model/lgb_model.txt' )# 特征名称 '特征名称:' )# 特征重要度 '特征重要度:' )# 加载模型 '加载模型用于预测' )'./model/lgb_model.txt' )# 预测 # 在测试集评估效果 '在测试集上的rmse为:' )0.5 )完成10轮训练...'feature_6' 'feature_0' , 'feature_1' , 'feature_2' , 'feature_3' , 'feature_4' , 'feature_5' , 'feature_6' , 'feature_7' , 'feature_8' , 'feature_9' , 'feature_10' , 'feature_11' , 'feature_12' , 'feature_13' , 'feature_14' , 'feature_15' , 'feature_16' , 'feature_17' , 'feature_18' , 'feature_19' , 'feature_20' , 'feature_21' , 'feature_22' , 'feature_23' , 'feature_24' , 'feature_25' , 'feature_26' , 'feature_27' ] 继续训练 LightGBM 为 boosting模型，每一轮训练会增加新的基学习器，LightGBM 还支持基于现有模型和参数继续训练，无需每次从头训练。
如下是典型的示例，我们加载已经训练10轮(即10颗树集成)的lgb模型，在此基础上继续训练(在参数层面做了一些改变，调整了学习率，增加了一些 bagging 等缓解过拟合的处理方法)
# 继续训练 # 从./model/model.txt中加载模型初始化 10 ,'./model/lgb_model.txt' ,'以旧模型为初始化，完成第 10-20 轮训练...' )# 在训练的过程中调整超参数 # 比如这里调整的是学习率 10 ,lambda iter: 0.05 * (0.99 ** iter),'逐步调整学习率完成第 20-30 轮训练...' )# 调整其他超参数 10 ,0.7 ] * 5 + [0.6 ] * 5 )])'逐步调整bagging比率完成第 30-40 轮训练...' )
's binary_logloss: 0.616177 s binary_logloss: 0.611792's binary_logloss: 0.607043 s binary_logloss: 0.602314's binary_logloss: 0.598433 s binary_logloss: 0.595238's binary_logloss: 0.592047 s binary_logloss: 0.588673's binary_logloss: 0.586084 s binary_logloss: 0.584033's binary_logloss: 0.616177 s binary_logloss: 0.611834's binary_logloss: 0.607177 s binary_logloss: 0.602577's binary_logloss: 0.59831 s binary_logloss: 0.595259's binary_logloss: 0.592201 s binary_logloss: 0.589017's binary_logloss: 0.586597 s binary_logloss: 0.584454's binary_logloss: 0.616053 s binary_logloss: 0.612291's binary_logloss: 0.60856 s binary_logloss: 0.605387's binary_logloss: 0.601744 s binary_logloss: 0.598556's binary_logloss: 0.595585 s binary_logloss: 0.593228's binary_logloss: 0.59018 s binary_logloss: 0.588391 自定义损失函数 LightGBM 支持在训练过程中，自定义损失函数和评估准则，其中损失函数的定义需要返回损失函数一阶和二阶导数的计算方法，评估准则部分需要对数据的 label 和预估值进行计算。其中损失函数用于训练过程中的树结构学习，而评估准则很多时候是用在验证集上进行效果评估。
# 自定义损失函数需要提供损失函数的一阶和二阶导数形式 def loglikelood (preds, train_data) :1. / (1. + np.exp(-preds))1. - preds)return grad, hess# 自定义评估函数 def binary_error (preds, train_data) :return 'error' , np.mean(labels != (preds > 0.5 )), False 10 ,'用自定义的损失函数与评估标准完成第40-50轮...' )[41] valid_0's binary_logloss: 0.614429 valid_0' s error: 0.268's binary_logloss: 0.610689 valid_0' s error: 0.26's binary_logloss: 0.606267 valid_0' s error: 0.264's binary_logloss: 0.601949 valid_0' s error: 0.258's binary_logloss: 0.597271 valid_0' s error: 0.266's binary_logloss: 0.593971 valid_0' s error: 0.276's binary_logloss: 0.591427 valid_0' s error: 0.278's binary_logloss: 0.588301 valid_0' s error: 0.284's binary_logloss: 0.586562 valid_0' s error: 0.288's binary_logloss: 0.584056 valid_0' s error: 0.288 4.LightGBM预估器形态接口 SKLearn形态预估器接口 和 XGBoost 一样，LightGBM 也支持用 SKLearn 中统一的预估器形态接口进行建模，如下为典型的参考案例，对于读取为 Dataframe 格式的训练集和测试集，可以直接使用 LightGBM 初始化 LGBMRegressor 进行 fit 拟合训练。使用方法与接口，和 SKLearn 中其他预估器一致。
# coding: utf-8 import lightgbm as lgbimport pandas as pdfrom sklearn.metrics import mean_squared_errorfrom sklearn.model_selection import GridSearchCV# 加载数据 '加载数据...' )'./data/regression.train.txt' , header=None , sep='\t' )'./data/regression.test.txt' , header=None , sep='\t' )# 取出特征和标签 0 ].values0 ].values0 , axis=1 ).values0 , axis=1 ).values'开始训练...' )# 初始化LGBMRegressor 'regression' ,31 ,0.05 ,20 )# 使用fit函数拟合 'l1' ,5 )# 预测 '开始预测...' )# 评估预测结果 '预测结果的rmse是:' )0.5 )加载数据...'s l1: 0.491735 t improve for 5 rounds.'s l1: 0.486563 s l1: 0.481489's l1: 0.476848 s l1: 0.47305's l1: 0.469049 s l1: 0.465556's l1: 0.462208 s l1: 0.458676's l1: 0.454998 s l1: 0.452047's l1: 0.449158 s l1: 0.44608's l1: 0.443554 s l1: 0.440643's l1: 0.437687 s l1: 0.435454's l1: 0.433288 s l1: 0.431297's l1: 0.428946 s l1: 0.428946 网格搜索调参 上面提到 LightGBM 的预估器接口，整体使用方法和 SKLearn 中其他预估器一致，所以我们也可以使用 SKLearn 中的超参数调优方法来进行模型调优。
如下是一个典型的网格搜索交法调优超参数的代码示例，我们会给出候选参数列表字典，通过 GridSearchCV 进行交叉验证实验评估，选出 LightGBM 在候选参数中最优的超参数。
# 配合scikit-learn的网格搜索交叉验证选择最优超参数 31 )'learning_rate' : [0.01 , 0.1 , 1 ],'n_estimators' : [20 , 40 ]'用网格搜索找到的最优超参数为:' )用网格搜索找到的最优超参数为:'learning_rate' : 0.1, 'n_estimators' : 40} 绘图解释 LightGBM 支持对模型训练进行可视化呈现与解释，包括对于训练过程中的损失函数取值与评估准则结果的可视化、训练完成后特征重要度的排序与可视化、基学习器(比如决策树)的可视化。
以下为参考代码：
# coding: utf-8 import lightgbm as lgbimport pandas as pdtry :import matplotlib.pyplot as pltexcept ImportError:raise ImportError('You need to install matplotlib for plotting.' )# 加载数据集 '加载数据...' )'./data/regression.train.txt' , header=None , sep='\t' )'./data/regression.test.txt' , header=None , sep='\t' )# 取出特征和标签 0 ].values0 ].values0 , axis=1 ).values0 , axis=1 ).values# 构建lgb中的Dataset数据格式 # 设定参数 'num_leaves' : 5 ,'metric' : ('l1' , 'l2' ),'verbose' : 0 # to record eval results for plotting '开始训练...' )# 训练 100 ,'f' + str(i + 1 ) for i in range(28 )],21 ],10 )'在训练过程中绘图...' )'l1' )'画出特征重要度...' )10 )'画出第84颗树...' )83 , figsize=(20 , 8 ), show_info=['split_gain' ])#print('用graphviz画出第84颗树...') #graph = lgb.create_tree_digraph(gbm, tree_index=83, name='Tree84') #graph.render(view=True) 加载数据...'s l2: 0.217995 training' s l1: 0.457448 valid_1's l2: 0.21641 valid_1' s l1: 0.456464's l2: 0.205099 training' s l1: 0.436869 valid_1's l2: 0.201616 valid_1' s l1: 0.434057's l2: 0.197421 training' s l1: 0.421302 valid_1's l2: 0.192514 valid_1' s l1: 0.417019's l2: 0.192856 training' s l1: 0.411107 valid_1's l2: 0.187258 valid_1' s l1: 0.406303's l2: 0.189593 training' s l1: 0.403695 valid_1's l2: 0.183688 valid_1' s l1: 0.398997's l2: 0.187043 training' s l1: 0.398704 valid_1's l2: 0.181009 valid_1' s l1: 0.393977's l2: 0.184982 training' s l1: 0.394876 valid_1's l2: 0.178803 valid_1' s l1: 0.389805's l2: 0.1828 training' s l1: 0.391147 valid_1's l2: 0.176799 valid_1' s l1: 0.386476's l2: 0.180817 training'
's l2: 0.175775 valid_1' s l1: 0.384404's l2: 0.179171 training' s l1: 0.385174 valid_1's l2: 0.175321 valid_1' s l1: 0.382929 参考资料 [1] 图解机器学习 | LightGBM模型详解: https://www.showmeai.tech/article-detail/195
[2] 图解python | 安装与环境设置](https://www.showmeai.tech/article-detail/65: https://www.showmeai.tech/article-detail/65
[3] XGBoost工具库建模应用详解: https://www.showmeai.tech/article-detail/204
[4] LightGBM中文文档: https://lightgbm.apachecn.org/#/
