LightGBM算法背景、原理、特点+Python实战案例
大家好，我是Peter~今天给大家分享一下树模型的经典算法：LightGBM，介绍算法产生的背景、原理和特点，最后提供一个基于LightGBM和随机搜索调优的案例。LightGBM是一种基于梯度提升决策树（GradientBoostingDecisionTree）的机器学习算法，它具有许多优势。首先，LightGBM是一种高效的算法，它采用了基于直方图的决策树算法，能够LightGBM算法在机器学习领域，梯度提升机（GradientBoostingMachines,GBMs）是一类强大的集成学习算法。它们
大家好，我是Peter~
今天给大家分享一下树模型的经典算法：LightGBM，介绍算法产生的背景、原理和特点，最后提供一个基于LightGBM和随机搜索调优的案例。LightGBM是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法，它具有许多优势。 首先，LightGBM是一种高效的算法，它采用了基于直方图的决策树算法，能够
LightGBM算法
在机器学习领域，梯度提升机（Gradient Boosting Machines, GBMs）是一类强大的集成学习算法。它们通过逐步添加弱学习器（通常是决策树）来最小化预测误差，从而构建一个强大的模型。 GBMs具有许多优点。首先，它们能够从错误中学习，因此在每一轮迭代中都能够修正模型的缺陷。其次，GBMs能够处理多种类型的数据，包括数值型、分类型和顺序型数据。此外，GBMs还可以自动处理缺失值和异常值，提高模型的鲁棒性。 最小化
在大数据时代，数据集的规模急剧增长，传统的GBMs由于其计算和存储成本高昂，难以有效地扩展。
- 例如，对于水平分割的决策树生长策略，虽然可以生成平衡的树，但往往会导致模型的区分能力下降；而对于基于叶子的生长策略，虽能提高精度却容易过拟合。
- 此外，大多数GBM实现在每次迭代中都需要遍历整个数据集来计算梯度，这在数据量巨大时效率低下。因此，需要一个既能高效处理大规模数据又能保持模型准确度的算法。
为了解决这些问题，Microsoft在2017年推出了LightGBM（Light Gradient Boosting Machine），一个更快速、更低内存消耗、更高性能的梯度提升框架。
官方学习地址：https://lightgbm.readthedocs.io/en/stable/
LightGBM的原理
1、基于直方图的决策树算法：
- 原理：LightGBM使用直方图优化技术，将连续的特征值离散化成特定的bin（即直方图的桶），减少了在节点分裂时需要计算的数据量。
- 优点：这种方法可以在减少内存使用的同时，提高计算速度。
- 实现细节：对于每个特征，算法都维护一个直方图，记录该特征在不同分桶中的统计信息。在进行节点分裂时，可以直接利用这些直方图的信息，而不需要遍历所有数据。
2、带深度限制的leaf-wise树生长策略：
- 原理：与传统的水平分割不同，leaf-wise的生长策略是每次从当前所有叶子节点中选择分裂收益最大的节点进行分裂。
- 优点：这种策略可以使得决策树更加侧重于数据中的异常部分，通常可以得到更好的精度。
- 缺点：容易导致过拟合，特别是当数据中有噪声时。
- 改进措施：LightGBM通过设置最大深度限制来防止过拟合。
3、单边梯度采样（GOSS）：
- 原理：对于数据集中的大梯度样本，GOSS算法只保留数据的一部分（通常是大梯度的样本），减少计算量同时保证不会损失太多的信息。
- 优点：这种方法可以在不显著损失精度的情况下加快训练速度。
- 应用场景：特别适用于数据倾斜严重的情况。
4、互斥特征捆绑（EFB）：
- 原理：EFB是一种减少特征数量，提高计算效率的技术。它将互斥的特征（即从不同时为非零的特征）进行合并，以减少特征维度。
- 优点：提高了内存的使用效率和训练速度。
- 实现细节：通过特征的互斥性，算法可以在同一时间处理更多的特征，从而减少了实际处理的特征数。
5、支持并行和分布式学习：
- 原理：LightGBM支持多线程学习，能够利用多个CPU进行并行训练。
- 优点：显著提高了在多核处理器上的训练速度。
- 扩展性：还支持分布式学习，可以利用多台机器共同训练模型。
6、缓存优化：
- 原理：优化了对数据的读取方式，可以使用更多的缓存来加快数据交换的速度。
- 优点：特别是在大数据集上，缓存优化可以显著提升性能。
7、支持多种损失函数：
- 特点：除了常用的回归和分类的损失函数外，LightGBM还支持自定义损失函数，满足不同的业务需求。
8、正则化和剪枝：
- 原理：提供了L1和L2正则化项来控制模型复杂度，避免过拟合。
- 实现：实现了后向剪枝的策略来进一步防止过拟合。
9、模型解释性：
- 特点：由于是基于决策树的模型，LightGBM具有良好的模型解释性，可以通过特征重要性等方式理解模型的决策逻辑。
LightGBM的特点
高效性
- 速度优势：通过直方图优化和 leaf-wise 生长策略，LightGBM 在保证精度的同时大幅提升了训练速度。
- 内存使用：相比于其他GBM实现，LightGBM 需要的内存更少，这使得它能够处理更大的数据集。
准确性
- 最佳优先的生长策略：LightGBM 采用的 leaf-wise 生长策略可以更紧密地拟合数据，通常可以得到比水平分割更好的精度。
- 避免过拟合的方法：通过设置最大深度限制和后向剪枝，LightGBM 能够在提升模型精度的同时避免过拟合。
可扩展性
- 并行和分布式学习：LightGBM 的设计支持多线程和分布式计算，这使得它能够充分利用现代硬件的计算能力。
- 多平台支持：LightGBM 可以在 Windows、macOS 和 Linux 等多种操作系统上运行，支持 Python、R、Java 等多种编程语言。
易用性
- 参数调优：LightGBM 提供了丰富的参数选项，方便用户根据具体问题进行调整。
- 预训练模型：用户可以从预训练的模型开始，加速自己的建模过程。
- 模型解释工具：LightGBM 提供了特征重要性评估工具，帮助用户理解模型的决策过程。
导入库
In [1]:
import numpy as npimport lightgbm as lgbfrom sklearn.model_selection import train_test_split, RandomizedSearchCVfrom sklearn.datasets import load_irisfrom sklearn.metrics import accuracy_scoreimport warningswarnings.filterwarnings("ignore")加载数据
加载公开的iris数据集：
In [2]:
# 加载数据集data = load_iris()X, y = data.data, data.targety = [int(i) for i in y]# 将标签转换为整数
In [3]:
X[:3]
Out[3]:
array([[5.1, 3.5, 1.4, 0.2], [4.9, 3. , 1.4, 0.2], [4.7, 3.2, 1.3, 0.2]])
In [4]:
y[:10]
Out[4]:
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
划分数据
In [5]:
# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
同时创建LightGBM数据集：
In [6]:
lgb_train = lgb.Dataset(X_train, label=y_train)
参数设置
In [7]:
# 设置参数范围param_dist = {'boosting_type': ['gbdt', 'dart'],# 提升类型梯度提升决策树（gbdt）和Dropouts meet Multiple Additive Regression Trees（dart）'objective': ['binary', 'multiclass'],# 目标；二分类和多分类'num_leaves': range(20, 150),# 叶子节点数量'learning_rate': [0.01, 0.05, 0.1],# 学习率'feature_fraction': [0.6, 0.8, 1.0],# 特征采样比例'bagging_fraction': [0.6, 0.8, 1.0],# 数据采样比例'bagging_freq': range(0, 80),# 数据采样频率'verbose': [-1]# 是否显示训练过程中的详细信息，-1表示不显示}随机搜索调参
In [8]:
# 初始化模型model = lgb.LGBMClassifier()# 使用随机搜索进行参数调优random_search = RandomizedSearchCV(estimator=model, param_distributinotallow=param_dist, # 参数组合 n_iter=100, cv=5, # 5折交叉验证 verbose=2, random_state=42, n_jobs=-1)# 模型训练random_search.fit(X_train, y_train)Fitting 5 folds for each of 100 candidates, totalling 500 fits
输出最佳的参数组合：
In [9]:
# 输出最佳参数print("Best parameters found: ", random_search.best_params_)Best parameters found:{'verbose': -1, 'objective': 'multiclass', 'num_leaves': 87, 'learning_rate': 0.05, 'feature_fraction': 0.6, 'boosting_type': 'gbdt', 'bagging_freq': 22, 'bagging_fraction': 0.6}使用最佳参数建模
In [10]:
# 使用最佳参数训练模型best_model = random_search.best_estimator_best_model.fit(X_train, y_train)# 预测y_pred = best_model.predict(X_test)y_pred = [round(i) for i in y_pred]# 将概率转换为类别# 评估模型print('Accuracy: %.4f' % accuracy_score(y_test, y_pred))Accuracy: 0.9667
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Premiere Pro 是面向专业视频制作的非线性剪辑软件，提供多轨时间线、调色、音频处理、字幕、代理工作流和多格式输出能力，并可与 After Effects、Audition、Photoshop 及 Frame.io 协同
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
Adobe Media Encoder 是 Adobe 面向视频与音频制作流程提供的专业编码和转码工具，可批量处理媒体文件、创建代理、套用输出预设并监控文件夹自动执行任务。它与 Premiere、After Effects、Audition