XGBoost过时了？LightGBM核心解析

LightGBM 作为近两年微软开源的模型，相比XGBoost有如下优点：

• 更快的训练速度和更高的效率： LightGBM使用基于直方图的算法 。例如，它将连续的特征值分桶(buckets)装进离散的箱子(bins)，这是的训练过程中变得更快。还有一点是 LightGBM的分裂节点的方式与XGBoost不一样 。LGB避免了对整层节点分裂法，而采用了对增益最大的节点进行深入分解的方法。这样节省了大量分裂节点的资源。下图一是XGBoost的分裂方式，图二是LightGBM的分裂方式。

  

  

• 更低的内存占用：使用离散的箱子(bins)保存并替换连续值导致更少的内存占用。

• 更高的准确率(相比于其他任何提升算法)：它通过leaf-wise分裂方法产生比level-wise分裂方法更复杂的树，这就是实现更高准确率的主要因素。然而，它有时候或导致过拟合，但是我们可以通过设置 max-depth 参数来防止过拟合的发生。

• 大数据处理能力：相比于XGBoost，由于它在训练时间上的缩减，它同样能够具有处理大数据的能力。

• 支持并行学习

LightGBM 核心参数介绍

我们都知道，XGBoost 一共有三类参数 通用参数，学习目标参数，Booster参数 ，那么对于LightGBM，我们有核心参数，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。更详细的请看LightGBM中文文档

核心参数

1. boosting ：也称 boost ， boosting_type .默认是 gbdt 。

   LGB里面的boosting参数要比xgb多不少，我们有传统的 gbdt ，也有 rf ， dart ， doss ，最后两种不太深入理解，但是试过，还是gbdt的效果比较经典稳定

2. num_thread :也称作 num_thread , nthread .指定线程的个数。

   这里官方文档提到，数字设置成cpu内核数比线程数训练效更快(考虑到现在cpu大多超线程)。并行学习不应该设置成全部线程，这反而使得训练速度不佳。

3. application ：默认为 regression 。，也称 objective ， app 这里指的是任务目标

   • regression

     regression_l2
     regression_l1
     huber
     fair
     poisson
     quantile
     quantile_l2
     

   • binary , binary log loss classification application
   • multi-class classification
     • multiclass , softmax 目标函数, 应该设置好 num_class
     • multiclassova , One-vs-All 二分类目标函数, 应该设置好 num_class
   • cross-entropy application

     xentropy
     xentlambda
     

   • lambdarank , lambdarank application

     label_gain
     

4. valid :验证集选用，也称 test ， valid_data , test_data .支持多验证集，以 , 分割

5. learning_rate :也称 shrinkage_rate ,梯度下降的步长。默认设置成0.1,我们一般设置成 0.05-0.2 之间

6. num_leaves :也称 num_leaf ,新版lgb将这个默认值改成31,这代表的是一棵树上的叶子数

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

   • 为树学习选择设备, 你可以使用 GPU 来获得更快的学习速度
   • Note : 建议使用较小的 max_bin (e.g. 63) 来获得更快的速度
   • Note : 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 来启用64位浮点数, 但是它会使训练速度降低
   • Note : 请参考 安装指南 来构建 GPU 版本

学习控制参数

1. feature_fraction ：default=1.0, type=double, 0.0 < feature_fraction < 1.0, 也称 sub_feature , colsample_bytree
   • 如果 feature_fraction 小于 1.0, LightGBM 将会在每次迭代中随机选择部分特征. 例如, 如果设置为 0.8, 将会在每棵树训练之前选择 80% 的特征
   • 可以用来加速训练
   • 可以用来处理过拟合
2. bagging_fraction ：default=1.0, type=double, 0.0 < bagging_fraction < 1.0, 也称 sub_row , subsample
   • 类似于 feature_fraction, 但是它将在不进行重采样的情况下随机选择部分数据
   • 可以用来加速训练
   • 可以用来处理过拟合
   • Note : 为了启用 bagging, bagging_freq 应该设置为非零值
3. bagging_freq ： default=0, type=int, 也称 subsample_freq
   • bagging 的频率, 0 意味着禁用 bagging. k 意味着每 k 次迭代执行bagging
   • Note : 为了启用 bagging, bagging_fraction 设置适当
4. lambda_l1 :默认为0,也称reg_alpha，表示的是L1正则化,double类型
5. lambda_l2 :默认为0,也称reg_lambda，表示的是L2正则化，double类型
6. cat_smooth ： default=10, type=double
   • 用于分类特征
   • 这可以降低噪声在分类特征中的影响, 尤其是对数据很少的类别

度量函数

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
   l2
   l2_root
   quantile
   huber
   fair
   poisson
   ndcg
   map
   auc
   binary_logloss
   binary_error
   multi_logloss
   multi_error
   xentropy
   xentlambda
   kldiv
   

总的来说，我还是觉得LightGBM比XGBoost用法上差距不大。参数也有很多重叠的地方。很多XGBoost的核心原理放在LightGBM上同样适用。 同样的，Lgb也是有train()函数和LGBClassifier()与LGBRegressor()函数。后两个主要是为了更加贴合sklearn的用法，这一点和XGBoost一样。

GridSearch 调参

GridSearch 我在这里有介绍，可以戳进去看看。我主要讲讲LGBClassifier的调参用法。

数据我上传在这里：直接上代码！

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')   # 读取数据
y = train_data.pop('30').values   # 用pop方式将训练数据中的标签值y取出来，作为训练目标，这里的‘30’是标签的列名
col = train_data.columns   
x = train_data[col].values  # 剩下的列作为训练数据
train_x, valid_x, train_y, valid_y = train_test_split(x, y, test_size=0.333, random_state=0)   # 分训练集和验证集
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我们便不需要fit函数
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("\t%s: %r" % (param_name, best_parameters[param_name]))
复制代码