写在前面:
LightGBM 用了很久了,但是一直没有对其进行总结,本文从 LightGBM 的使用、原理及参数调优三个方面进行简要梳理。
开箱即用
quickstart
使用 LightGBM 官方接口,核心步骤
- 定义参数
- 构造数据
- train
- predict
# 1.定义参数 config = json.load(open("configs/lightgbm_config.json", 'r')) # 2. 构造数据 index = int(len(features)*0.9) train_fts, train_lbls = features[:index], labels[:index] val_fts, val_lbls = features[index:], labels[index:] train_data = lgb.Dataset(train_fts, label=train_lbls) val_data = lgb.Dataset(val_fts, label=val_lbls) # 3. train bst = lgb.train(params=config, train_set=train_data, valid_sets=[val_data]) # 4. predict lgb.predict(val_data)
# lightgbm_config.json { "objective":"binary", "task":"train", "boosting":"gbdt", "num_iterations":500, "learning_rate":0.1, "max_depth":-1, "num_leaves":64, "tree_learner":"serial", "num_threads":0, "device_type":"cpu", "seed":0, "min_data_in_leaf":100, "min_sum_hessian_in_leaf":0.001, "bagging_fraction":0.9, "bagging_freq":1, "bagging_seed":0, "feature_fraction":0.9, "feature_fraction_bynode":0.9, "feature_fraction_seed":0, "early_stopping_rounds":10, "first_metric_only":true, "max_delta_step":0, "lambda_l1":0, "lambda_l2":1, "verbosity":2, "is_unbalance":true, "sigmoid":1, "boost_from_average":true, "metric":[ "binary_logloss", "auc", "binary_error" ] }
sklearn 接口
import lightgbm as lgb # 1. config """ objective parameter: ‘regression’ for LGBMRegressor ‘binary’ or ‘multiclass’ for LGBMClassifier ‘lambdarank’ for LGBMRanker. """ lgb_clf = lgb.LGBMModel( objective = 'binary', metric = 'binary_logloss,auc', learning_rate = 0.1, bagging_fraction = 0.8, feature_fraction = 0.9, bagging_freq = 5, n_estimators = 300, max_depth = 4, is_unbalance = True ) # 2. fit # 3. predict
增量学习
在处理大规模数据时,数据无法一次性载入内存,使用增量训练。
主要通过两个参数实现:
- init_model
- keep_training_booster
详细方法见 增量学习/训练
原理
在LightGBM,Xgboost一直是kaggle的屠榜神器之一,但是,一切都在进步~
回顾Xgboost
-
贪心算法生成树,时间复杂度(O(ndKlogn)),(d) 个特征,每个特征排序需要(O(nlogn)),树深度为(K)
- pre-sorting 对特征进行预排序并且需要保存排序后的索引值(为了后续快速的计算分裂点),因此内存需要训练数据的两倍。
- 在遍历每一个分割点的时候,都需要进行分裂增益的计算,
-
Level-wise 生长,并行计算每一层的分裂节点
- 提高了训练速度
- 但同时也因为节点增益过小增加了很多不必要的分裂,增加了计算量
LightGBM
- 基于 Histogram 的决策树算法
- 带深度限制的 Leaf-wise 的叶子生长策略
- 直方图做差加速
- 直接支持类别特征(Categorical Feature)
- Cache命中率优化
- 基于直方图的稀疏特征优化
- 多线程优化
直方图算法
- 将连续的浮点特征离散成
个离散值,并构造宽度为
的
。默认k为 255
- 遍历训练数据,统计每个离散值在直方图中的累计统计量。
- 在进行特征选择时,只需要根据直方图的离散值,遍历寻找最优的分割点。
内存优化:
- int32存下标,float32存数据 -> 8位存储
- 内存消耗可以降低为原来的
。
时间优化:
- (O(nd))变为(O(kd))
Leaf-wise 生长
Leaf-wise(按叶子生长)生长策略
- 每次从当前所有叶子中找到分裂增益最大(一般也是数据量最大)的一个叶子
- 然后分裂,如此循环。
- 同 Level-wise 相比,在分裂次数相同的情况下,Leaf-wise 可以降低更多的误差,得到更好的精度。Leaf-wise 的缺点是可能会长出比较深的决策树,产生过拟合。因此 LightGBM 在 Leaf-wise 之上增加了一个最大深度的限制,在保证高效率的同时防止过拟合。
类别型特征支持
xgboost使用one-hot编码,LightGBM 采用了 Many vs Many 的切分方式,实现过程如下【7】:
-
将类别的取值当做bin,有多少个取值就是多少个bin(去除样本极少的bin)
-
统计该特征中的各取值上的样本数,按照从样本数从大到小排序,去除样本占比小于1%的类别值
-
对于剩余的特征值(可以理解为一个特征值对应一个桶),统计各个特征值对应的样本的一阶梯度之和,二阶梯度之和,根据正则化系数,算得各个桶的统计量: 一阶梯度之和 / (二阶梯度之和 + 正则化系数);
-
根据该统计量对各个桶进行从大到小排序;在排序好的桶上,进行最佳切点查找
并行支持
- 特征并行:在不同机器在不同的特征集合上分别寻找最优的分割点,然后在机器间同步最优的分割点。
- 数据并行:让不同的机器先在本地构造直方图,然后进行全局的合并,最后在合并的直方图上面寻找最优分割点。
不均衡数据处理
- 二分类
is_unbalance=True
,表示 正样本的权重/负样本的权重 等于负样本的样本数/正样本的样本数- 或设置
scale_pos_weight
,代表的是正类的权重,可以设置为 number of negative samples / number of positive samples
- 多分类
class weight
- 自定义 facal loss【9】
参数调优
参数说明
核心参数
-
boosting / boost / boosting_type
用于指定弱学习器的类型,默认值为 ‘gbdt’,表示使用基于树的模型进行计算。还可以选择为 ‘gblinear’ 表示使用线性模型作为弱学习器。
‘gbdt’,使用梯度提升树 ‘rf’,使用随机森林 ‘dart’,不太了解,官方解释为 Dropouts meet Multiple Additive Regression Trees ‘goss’,使用单边梯度抽样算法,速度很快,但是可能欠拟合。
-
objective / application
“regression”,使用L2正则项的回归模型(默认值)。 “regression_l1”,使用L1正则项的回归模型。 “mape”,平均绝对百分比误差。 “binary”,二分类。 “multiclass”,多分类。
-
num_class
多分类问题的类别个数
-
增量训练
keep_training_booster=True # 增量训练
超参
调优
调优思路与方向
- 树结构参数
- max_depth :3-8
- num_leaves:最大值是
2^(max_depth)
- min_data_in_leaf
- 训练速度参数
- learning_rate 和 n_estimators,结合early_stopping使用
- max_bin:变量分箱的数量,默认255。调大则准确,但容易过拟合;调小可以加速
- 防止过拟合
- lambda_l1 和 lambda_l2:
L1
和L2
正则化,对应XGBoost
的reg_lambda
和reg_alpha
- min_gain_to_split:如果你设置的深度很深,但又无法向下分裂,
LGBM
就会提示warning
,无法找到可以分裂的了,说明数据质量已经达到了极限了。参数含义和XGBoost
的gamma
是一样。比较保守的搜索范围是(0, 20)
,它可以用作大型参数网格中的额外正则化 - bagging_fraction:训练每棵树的训练样本百分比
- feature_fraction:训练每棵树时要采样的特征百分比
- lambda_l1 和 lambda_l2:
自动调参
使用Optuna
,定义优化目标函数:
- 定义训练参数字典
- 创建模型,训练
- 定义指标
import optuna # pip install optuna from sklearn.metrics import log_loss from sklearn.model_selection import StratifiedKFold from optuna.integration import LightGBMPruningCallback def objective(trial, X, y): param_grid = { "n_estimators": trial.suggest_categorical("n_estimators", [10000]), "learning_rate": trial.suggest_float("learning_rate", 0.01, 0.3), "num_leaves": trial.suggest_int("num_leaves", 20, 3000, step=20), "max_depth": trial.suggest_int("max_depth", 3, 12), "min_data_in_leaf": trial.suggest_int("min_data_in_leaf", 200, 10000, step=100), "max_bin": trial.suggest_int("max_bin", 200, 300), "lambda_l1": trial.suggest_int("lambda_l1", 0, 100, step=5), "lambda_l2": trial.suggest_int("lambda_l2", 0, 100, step=5), "min_gain_to_split": trial.suggest_float("min_gain_to_split", 0, 15), "bagging_fraction": trial.suggest_float( "bagging_fraction", 0.2, 0.95, step=0.1 ), "bagging_freq": trial.suggest_categorical("bagging_freq", [1]), "feature_fraction": trial.suggest_float( "feature_fraction", 0.2, 0.95, step=0.1 ), } cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=1121218) cv_scores = np.empty(5) for idx, (train_idx, test_idx) in enumerate(cv.split(X, y)): X_train, X_test = X.iloc[train_idx], X.iloc[test_idx] y_train, y_test = y[train_idx], y[test_idx] model = lgbm.LGBMClassifier(objective="binary", **param_grid) model.fit( X_train, y_train, eval_set=[(X_test, y_test)], eval_metric="binary_logloss", early_stopping_rounds=100, callbacks=[ LightGBMPruningCallback(trial, "binary_logloss") ], ) preds = model.predict_proba(X_test) preds = model.predict_proba(X_test) # 优化指标logloss最小 cv_scores[idx] = log_loss(y_test, preds) return np.mean(cv_scores)
调优
study = optuna.create_study(direction="minimize", study_name="LGBM Classifier") func = lambda trial: objective(trial, X, y) study.optimize(func, n_trials=20)
搜索完成后,调用best_value
和bast_params
属性,调参就出来了。
print(f"tBest value (rmse): {study.best_value:.5f}") print(f"tBest params:") for key, value in study.best_params.items(): print(f"tt{key}: {value}") ----------------------------------------------------- Best value (binary_logloss): 0.35738 Best params: device: gpu lambda_l1: 7.71800699380605e-05 lambda_l2: 4.17890272377219e-06 bagging_fraction: 0.7000000000000001 feature_fraction: 0.4 bagging_freq: 5 max_depth: 5 num_leaves: 1007 min_data_in_leaf: 45 min_split_gain: 15.703519227860273 learning_rate: 0.010784015325759629 n_estimators: 10000
得到这个参数组合后,我们就可以拿去跑模型了,看结果再手动微调,这样就可以省很多时间了。
特征重要性
lgb_clf.feature_importances_
references
【1】详解LightGBM两大利器:基于梯度的单边采样(GOSS)和互斥特征捆绑(EFB)https://zhuanlan.zhihu.com/p/366234433
【2】LightGBM的参数详解以及如何调优. https://cloud.tencent.com/developer/article/1696852
【3】LightGBM 中文文档. https://lightgbm.cn/
【4】决策树(下)——XGBoost、LightGBM(非常详细)https://zhuanlan.zhihu.com/p/87885678
【5】http://www.showmeai.tech/article-detail/195
【6】https://zhuanlan.zhihu.com/p/99069186
【7】lightgbm离散类别型特征为什么按照每一个类别里对应样本的一阶梯度求和/二阶梯度求和排序? - 一直学习一直爽的回答 - 知乎 https://www.zhihu.com/question/386888889/answer/1195897410