LightGBM核心解析與調參

導語

LightGBM 作為近兩年微軟開源的模型，相比XGBoost有如下優點：

• 更快的訓練速度和更高的效率：LightGBM使用基於直方圖的演算法。例如，它將連續的特徵值分桶(buckets)裝進離散的箱子(bins)，這是的訓練過程中變得更快。還有一點是LightGBM的分裂節點的方式與XGBoost不一樣。LGB避免了對整層節點分裂法，而採用了對增益最大的節點進行深入分解的方法。這樣節省了大量分裂節點的資源。下圖一是XGBoost的分裂方式，圖二是LightGBM的分裂方式。

  

  

• 更低的記憶體佔用：使用離散的箱子(bins)儲存並替換連續值導致更少的記憶體佔用。

• 更高的準確率(相比於其他任何提升演算法)：它通過leaf-wise分裂方法產生比level-wise分裂方法更復雜的樹，這就是實現更高準確率的主要因素。然而，它有時候或導致過擬合，但是我們可以通過設定 max-depth 引數來防止過擬合的發生。

• 大資料處理能力：相比於XGBoost，由於它在訓練時間上的縮減，它同樣能夠具有處理大資料的能力。

• 支援並行學習

LightGBM 核心引數介紹

我們都知道，XGBoost 一共有三類引數通用引數，學習目標引數，Booster引數，那麼對於LightGBM，我們有核心引數，學習控制引數，IO引數，目標引數，度量引數，網路引數，GPU引數，模型引數，這裡我常修改的便是核心引數，學習控制引數，度量引數等。更詳細的請看LightGBM中文文件

核心引數

1. boosting：也稱boost，boosting_type.預設是gbdt。

   LGB裡面的boosting引數要比xgb多不少，我們有傳統的gbdt，也有rf，dart，doss，最後兩種不太深入理解，但是試過，還是gbdt的效果比較經典穩定

2. num_thread:也稱作num_thread,nthread.指定執行緒的個數。

   這裡官方文件提到，數字設定成cpu核心數比執行緒數訓練效更快(考慮到現在cpu大多超執行緒)。並行學習不應該設定成全部執行緒，這反而使得訓練速度不佳。

3. application：預設為regression。，也稱objective， app這裡指的是任務目標

   • regression
     • regression_l2, L2 loss, alias=regression, mean_squared_error, mse
     • regression_l1, L1 loss, alias=mean_absolute_error, mae
     • huber, Huber loss
     • fair, Fair loss
     • poisson, Poisson regression
     • quantile, Quantile regression
     • quantile_l2, 類似於 quantile, 但是使用了 L2 loss
   • binary, binary log loss classification application
   • multi-class classification
     • multiclass, softmax 目標函式, 應該設定好 num_class
     • multiclassova, One-vs-All 二分類目標函式, 應該設定好 num_class
   • cross-entropy application
     • xentropy, 目標函式為 cross-entropy (同時有可選擇的線性權重), alias=cross_entropy
     • xentlambda, 替代引數化的 cross-entropy, alias=cross_entropy_lambda
     • 標籤是 [0, 1] 間隔內的任意值
   • lambdarank, lambdarank application
     • 在 lambdarank 任務中標籤應該為 int type, 數值越大代表相關性越高 (e.g. 0:bad, 1:fair, 2:good, 3:perfect)
     • label_gain 可以被用來設定 int 標籤的增益 (權重)

4. valid:驗證集選用，也稱test，valid_data, test_data.支援多驗證集，以,分割

5. learning_rate:也稱shrinkage_rate,梯度下降的步長。預設設定成0.1,我們一般設定成0.05-0.2之間

6. num_leaves:也稱num_leaf,新版lgb將這個預設值改成31,這代表的是一棵樹上的葉子數

7. device：default=cpu, options=cpu, gpu

   • 為樹學習選擇裝置, 你可以使用 GPU 來獲得更快的學習速度
   • Note: 建議使用較小的 max_bin (e.g. 63) 來獲得更快的速度
   • Note: 為了加快學習速度, GPU 預設使用32位浮點數來求和. 你可以設定 gpu_use_dp=true 來啟用64位浮點數, 但是它會使訓練速度降低
   • Note: 請參考 安裝指南 來構建 GPU 版本

學習控制引數

1. feature_fraction：default=1.0, type=double, 0.0 < feature_fraction < 1.0, 也稱sub_feature, colsample_bytree
   • 如果 feature_fraction 小於 1.0, LightGBM 將會在每次迭代中隨機選擇部分特徵. 例如, 如果設定為 0.8, 將會在每棵樹訓練之前選擇 80% 的特徵
   • 可以用來加速訓練
   • 可以用來處理過擬合
2. bagging_fraction：default=1.0, type=double, 0.0 < bagging_fraction < 1.0, 也稱sub_row, subsample
   • 類似於 feature_fraction, 但是它將在不進行重取樣的情況下隨機選擇部分資料
   • 可以用來加速訓練
   • 可以用來處理過擬合
   • Note: 為了啟用 bagging, bagging_freq 應該設定為非零值
3. bagging_freq： default=0, type=int, 也稱subsample_freq
   • bagging 的頻率, 0 意味著禁用 bagging. k 意味著每 k 次迭代執行bagging
   • Note: 為了啟用 bagging, bagging_fraction 設定適當
4. lambda_l1:預設為0,也稱reg_alpha，表示的是L1正則化,double型別
5. lambda_l2:預設為0,也稱reg_lambda，表示的是L2正則化，double型別
6. cat_smooth： default=10, type=double
   • 用於分類特徵
   • 這可以降低噪聲在分類特徵中的影響, 尤其是對資料很少的類別

度量函式

1. metric： default={l2 for regression}, {binary_logloss for binary classification}, {ndcg for lambdarank}, type=multi-enum, options=l1, l2, ndcg, auc, binary_logloss, binary_error …
   • l1, absolute loss, alias=mean_absolute_error, mae
   • l2, square loss, alias=mean_squared_error, mse
   • l2_root, root square loss, alias=root_mean_squared_error, rmse
   • quantile, Quantile regression
   • huber, Huber loss
   • fair, Fair loss
   • poisson, Poisson regression
   • ndcg, NDCG
   • map, MAP
   • auc, AUC
   • binary_logloss, log loss
   • binary_error, 樣本: 0 的正確分類, 1 錯誤分類
   • multi_logloss, mulit-class 損失日誌分類
   • multi_error, error rate for mulit-class 出錯率分類
   • xentropy, cross-entropy (與可選的線性權重), alias=cross_entropy
   • xentlambda, “intensity-weighted” 交叉熵, alias=cross_entropy_lambda
   • kldiv, Kullback-Leibler divergence, alias=kullback_leibler
   • 支援多指標, 使用 , 分隔

總的來說，我還是覺得LightGBM比XGBoost用法上差距不大。引數也有很多重疊的地方。很多XGBoost的核心原理放在LightGBM上同樣適用。
同樣的，Lgb也是有train()函式和LGBClassifier()與LGBRegressor()函式。後兩個主要是為了更加貼合sklearn的用法，這一點和XGBoost一樣。

GridSearch 調參

GridSearch 我在這裡有介紹，可以戳進去看看。我主要講講LGBClassifier的調參用法。

資料我上傳在這裡：直接上程式碼！

import pandas as pd
import lightgbm as lgb
from sklearn.grid_search import GridSearchCV  # Perforing grid search
from sklearn.model_selection import train_test_split

train_data = pd.read_csv(`train.csv`)   # 讀取資料
y = train_data.pop(`30`).values   # 用pop方式將訓練資料中的標籤值y取出來，作為訓練目標，這裡的‘30’是標籤的列名
col = train_data.columns   
x = train_data[col].values  # 剩下的列作為訓練資料
train_x, valid_x, train_y, valid_y = train_test_split(x, y, test_size=0.333, random_state=0)   # 分訓練集和驗證集
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 = lgb.LGBMClassifier(boosting_type=`gbdt`,
                         objective = `binary`,
                         metric = `auc`,
                         verbose = 0,
                         learning_rate = 0.01,
                         num_leaves = 35,
                         feature_fraction=0.8,
                         bagging_fraction= 0.9,
                         bagging_freq= 8,
                         lambda_l1= 0.6,
                         lambda_l2= 0)
# 有了gridsearch我們便不需要fit函式
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("	%s: %r" % (param_name, best_parameters[param_name]))
複製程式碼