LGBM 模型保存为PMML 文件

1、训练模型

import lightgbm as lgb
params = {
    'task': 'train',
    'boosting_type': 'gbdt',  # 设置提升类型
    'objective': 'binary',  # 目标函数  regression
    'metric': {'auc'},  # 评估函数   metric = binary_logloss,auc

    'learning_rate': 0.05,  # [0.01, 0.02, 0.05, 0.1, 0.15]
    'n_estimators': 500,   # 默认是100.也就是循环次数，或者叫树的数目。

    'max_depth': 3,  # range(5, 15, 2)
    'num_leaves': 16,  # 一棵树上的叶子数 [15, 25, 40, 55]
    'min_child_samples': 300,  # 一个叶子上数据的最小数量
    'min_child_weight': 10,  # 分支结点的最小权重
    'feature_fraction': 0.7,  # 每次新建一棵树时，随机使用多少的特征。
    'bagging_fraction': 0.7,
    'bagging_freq': 10,  # bagging 的频率
    # 'cat_smooth': 30,  # 这可以降低噪声在分类特征中的影响
    'lambda_l1': 4,  # reg_alpha [0, 0.1, 0.5, 1, 3][3,5]
    'lambda_l2': 4,  # reg_lambda
    'verbose': 1,  # <0 显示致命的, =0 显示错误 (警告), >0 显示信息
    'seed': 27
    # 'num_class':25
}
lgb_train_data = lgb.Dataset(train_x, train_y)
lgb_eval_data = lgb.Dataset(test_x, test_y, reference=lgb_train_data)
model_lgb = lgb.train(params, lgb_train_data
                      , valid_sets=lgb_eval_data
                      , early_stopping_rounds=50
                      )

2、报存模型结果

model_lgb.save_model(path2+'gbdt_model_v1.txt')

3、下载 转模型结果为PMML文件的 jar 包

下 jar 包 jpmml-lightgbm-executable-1.3.11.jar 

参考链接 ：https://github.com/jpmml/jpmml-lightgbm

4、执行模型结果转PMML 其中path1 是 jar 包路径，path2 是需要转的模型文件路径

，打开cmd 在cmd 中运行

java -jar "path1\jpmml-lightgbm-executable-1.3.11.jar" --lgbm-input path2\gbdt_model_v1.txt --pmml-output gbdt_model_v1.pmml，运行成功

在 path2 路径下就可以找到 gbdt_model_v1.pmml

 打开 PMML文件