机器学习-集成学习LightGBM

前言
介绍LightGBM
安装和配置LightGBM
使用LightGBM进行建模
案例研究和应用实践
- - A. 基于LightGBM的分类和回归模型
  - B. 处理实际数据集的案例研究
总结

前言

LightGBM 是微软开发的一个强大的开源梯度提升框架。它旨在高效和可扩展，能够处理大型数据集和高维特征。LightGBM结合使用基于梯度的单边采样（GOSS）和独占特征捆绑（EFB）来降低计算成本并提高模型的准确性。

LightGBM 支持各种目标函数，可用于回归和分类问题。它还提供了一些高级功能，例如提前停止、交叉验证和超参数调整，以帮助用户构建稳健的模型。此外，它还为流行的编程语言（如 Python、R 和 C++）提供接口，使其易于集成到现有的数据科学工作流程中。

总体而言，LightGBM 是构建高性能梯度提升模型的热门选择，尤其是对于大规模和高维数据集。

介绍LightGBM

LightGBM的背景和起源

LightGBM是一个开源的梯度提升框架，由微软公司在2017年推出。它旨在提供一个高效、可扩展、准确和易于使用的机器学习工具，可以处理大规模数据和高维特征，适用于回归、分类和排序等各种任务。
LightGBM的起源可以追溯到GBDT（梯度提升决策树）算法，它是一种基于决策树的机器学习方法，通过递归地训练一系列的决策树来构建一个强大的预测模型。GBDT已经被广泛应用于各种领域，例如推荐系统、广告和金融等。然而，GBDT算法仍然存在一些限制，例如对于高维数据和大规模数据集的处理效率不高。
为了解决这些问题，LightGBM引入了一些创新性的技术，如基于梯度的单侧采样（GOSS）和独占特征绑定（EFB）等，以提高训练速度和准确性。此外，LightGBM还支持并行化处理、GPU加速、多种损失函数和多种分类器等功能，使其在大规模数据和高维特征的处理中表现出色。这些优势使得LightGBM在学术界和工业界都得到广泛的应用和认可。

LightGBM的优点和适用场景

高效性：LightGBM引入了基于梯度的单侧采样（GOSS）和独占特征绑定（EFB）等创新性技术，提高了模型的训练速度和准确性。它也支持多线程和GPU加速，进一步提高了处理效率。
可扩展性：LightGBM能够处理大规模数据和高维度特征，并且支持分布式计算，可在多个计算节点上并行训练模型。
准确性：LightGBM在处理高维度数据和非线性问题时表现出色，通常可以获得比其他梯度提升框架更好的预测结果。
可解释性：LightGBM支持特征重要性评估和可视化，能够帮助用户理解模型的工作原理和特征的贡献。
灵活性：LightGBM支持多种损失函数和分类器，能够适应各种回归、分类和排序任务。

基于上述优点，LightGBM适用于以下场景：

大规模数据和高维特征：当数据集规模很大或者特征维度很高时，LightGBM可以通过并行化和创新性技术，快速地训练出一个准确的模型。
非线性问题：LightGBM在处理非线性问题时表现出色，因此它适用于许多需要处理非线性问题的领域，例如金融、电商和医疗等。
可解释性需求：LightGBM支持特征重要性评估和可视化，能够帮助用户理解模型的工作原理和特征的贡献，适用于需要理解模型背后逻辑的场景。
需要快速训练和预测的场景：LightGBM在处理大规模数据和高维特征时表现出色，因此适用于需要快速训练和预测的场景，例如在线广告和推荐系统等。

LightGBM的基本工作原理

通过迭代地训练多棵决策树来构建一个强大的集成模型。

损失函数：LightGBM支持多种损失函数，例如均方误差（MSE）、对数损失（Log loss）和L1损失等。用户可以根据具体问题选择合适的损失函数。
初始化：LightGBM将训练数据随机分成若干个小批次，每个小批次的大小可以由用户自定义。对于每个小批次，LightGBM使用一棵单节点的决策树作为初始模型。
梯度提升：LightGBM采用梯度提升算法，通过迭代地训练多棵决策树来不断提高模型的预测准确性。在每次迭代中，LightGBM根据当前模型的预测结果计算出每个样本的负梯度，将负梯度作为新的目标变量来训练下一棵决策树。这样，每棵决策树都是在之前模型的基础上进行训练的。
单侧采样：LightGBM引入了基于梯度的单侧采样（GOSS）技术，通过降低低梯度样本的采样率，提高高梯度样本的采样率，减少数据集的噪声，从而加速模型的训练。
独占特征绑定：LightGBM还引入了独占特征绑定（EFB）技术，将相似的特征分成一组，同时只选取一组特征作为决策树分裂的依据，减少了分裂的计算量和噪声，提高了模型的准确性和泛化能力。
分裂策略：LightGBM采用基于梯度的直方图分裂算法，将特征值按照梯度的大小划分为若干个直方图，选取最优的分裂点来进行分裂，减少了计算量和噪声，提高了模型的准确性和泛化能力。
叶子结点优化：LightGBM采用直方图优化算法，将每个叶子结点的样本按照特征值的大小划分为若干个直方图，计算每个直方图的梯度和Hessian矩阵，从而快速地确定每
评估指标：LightGBM支持多种评估指标，例如准确率、AUC、平均绝对误差（MAE）和均方误差（MSE）等。用户可以根据具体问题选择合适的评估指标。
提前停止：LightGBM还支持提前停止技术，当模型的性能在验证集上不再提升时，自动停止模型的训练，防止模型过拟合。
并行加速：LightGBM采用并行加速技术，可以利用多线程和多机并行加速模型的训练，提高模型训练的效率。

安装和配置LightGBM

安装LightGBM

htGBM的安装可以通过多种方式进行，这里介绍两种较为常用的方式：使用Anaconda安装和使用pip安装。

使用Anaconda安装：

首先，需要安装Anaconda（如果已经安装，可以跳过此步骤）。在Anaconda官网上下载对应版本的Anaconda安装程序，安装过程中可以根据需要选择添加环境变量、设置路径等选项。
打开Anaconda Prompt，输入以下命令创建一个新的conda环境（例如，取名为lgb）：
```
 conda create -n lgb python=3.7
```
其中，python=3.7表示创建Python 3.7的环境，可以根据需要选择其他版本。
激活lgb环境：
```
 conda activate lgb
```
安装LightGBM：
```
 conda install lightgbm
```
或者
```
 pip install lightgbm
```
安装完成后，可以使用以下命令验证LightGBM是否安装成功：
```
 python -c "import lightgbm; print(lightgbm.__version__)"
```
如果输出了LightGBM的版本号，则说明安装成功。由于LightGBM是一个C++库，安装时还需要安装C++编译器和相关的开发工具。

配置LightGBM的环境

为了更好地使用LightGBM，需要配置相应的环境。主要包括以下几个方面：

数据格式：LightGBM支持多种数据格式，包括libsvm格式、CSV格式、numpy数组和Pandas DataFrame等。在使用LightGBM之前，需要确保数据格式正确，并根据具体情况选择合适的数据格式。
参数设置：LightGBM有多个参数可以进行调整，例如树的深度、学习率、叶子结点数目等。在使用LightGBM之前，需要了解这些参数的含义和作用，并根据具体情况进行调整。
并行加速：LightGBM支持多线程和分布式计算，可以大大加快模型的训练速度。在使用LightGBM之前，需要配置并行加速的相关参数，以充分利用计算资源。
GPU加速：LightGBM还支持使用GPU进行加速，可以进一步提高模型的训练速度。在使用LightGBM之前，需要配置GPU的相关参数，并确保系统中已经安装了适当的GPU驱动程序和CUDA工具包。

具体来说，可以按照以下步骤进行LightGBM环境的配置：

数据格式的配置：根据数据的格式选择不同的数据读取函数，例如：

 import pandas as pd
import numpy as np
import lightgbm as lgb
 
# 读取CSV格式的数据
data = pd.read_csv('data.csv')
 
# 将numpy数组转换为Dataset格式
X_train = np.random.rand(100, 10)
y_train = np.random.rand(100)
train_data = lgb.Dataset(X_train, label=y_train)

参数设置的配置：使用参数字典进行参数的配置，例如：

 params = {
    'boosting_type': 'gbdt',
    'objective': 'binary',
    'num_leaves': 31,
    'learning_rate': 0.05,
    'feature_fraction': 0.9
}

并行加速的配置：使用参数控制并行加速的方式和线程数，例如：
```
 params = {
    'num_threads': 4,
    'device': 'cpu'
}
```
GPU加速的配置：在使用GPU进行加速时，需要安装相应的GPU驱动程序和CUDA工具包，然后在参数中指定使用GPU和相关的参数，例如：
```
 params = {
    'device': 'gpu',
    'gpu_platform_id': 0,
    'gpu_device_id': 0
}
```

配置完成后，就可以使用LightGBM进行模型训练和预测了。

LightGBM的编译和安装

LightGBM是一个开源的机器学习库，提供了高效的梯度提升决策树算法。在使用LightGBM之前，需要先将其编译并安装到系统中。下面介绍一下LightGBM的编译和安装过程。

下载LightGBM源码

首先需要从LightGBM的GitHub仓库中下载源码。可以使用以下命令进行下载：

 bashCopy code
git clone --recursive https://github.com/microsoft/LightGBM

这里使用了--recursive选项，可以同时下载LightGBM的子模块。

安装依赖项

LightGBM依赖于一些第三方库，需要先安装这些依赖项。具体依赖项的安装方法因操作系统而异，以下是一些常见操作系统的安装方法：

Ubuntu/Debian:

 sudo apt-get install cmake libboost-dev libboost-system-dev libboost-filesystem-dev

CentOS/Fedora:
```
 sudo yum install cmake boost-devel
```
macOS (使用Homebrew):
```
 brew install cmake boost
```

编译LightGBM

进入LightGBM源码目录，使用以下命令进行编译：

 mkdir build
cd build
cmake ..
make -j4

这里使用了-j4选项，可以同时编译4个文件。编译完成后，可以在build目录下找到lightgbm可执行文件。

安装LightGBM

可以使用以下命令将LightGBM安装到系统中：

 sudo make install

这样，LightGBM就安装到了系统中。可以使用以下命令检查LightGBM是否安装成功：

 lightgbm --version

如果输出了LightGBM的版本号，就说明安装成功了。

需要注意的是，LightGBM还支持使用GPU进行加速，可以通过设置相关的编译选项启用GPU加速。具体方法可以参考LightGBM的官方文档。

使用LightGBM进行建模

数据准备和特征工程

数据准备和特征工程是机器学习中至关重要的一步。LightGBM支持各种数据格式，包括LibSVM格式、CSV格式、numpy数组等。在数据准备阶段，需要将数据集划分为训练集、验证集和测试集，并进行数据清洗和预处理，包括处理缺失值、异常值、离群值、重复值等。在特征工程阶段，需要选择合适的特征并进行特征提取、特征选择和特征变换等操作，以提高模型的预测能力和泛化能力。

构建LightGBM模型

构建LightGBM模型需要确定模型的超参数和目标函数。在LightGBM中，可以通过调整超参数来控制模型的复杂度、速度和准确度等属性，包括学习率、树的数量、树的深度、叶子节点数等。目标函数是LightGBM优化的目标，可以选择分类任务中的交叉熵、回归任务中的平方误差、排序任务中的NDCG等。LightGBM还支持自定义目标函数。

训练和调整LightGBM

训练和调整LightGBM模型需要使用训练集和验证集进行模型训练和评估。在训练过程中，可以使用交叉验证等技术来防止过拟合。在调整模型超参数时，可以使用网格搜索、随机搜索、贝叶斯优化等方法来找到最优超参数。LightGBM还提供了一些内置的调参工具，包括GridSearchCV、RandomizedSearchCV等。

应用LightGBM模型进行预测

应用LightGBM模型进行预测需要使用测试集或新的数据集。在预测时，可以使用predict方法得到预测结果，或使用predict_proba方法得到预测概率。在分类任务中，可以使用predict_classes方法将预测概率转换为类别。在回归任务中，可以使用均方误差、均方根误差、平均绝对误差等指标评估模型的预测性能。

代码

A. 数据准备和特征工程

 import pandas as pd
import numpy as np
 
# 加载数据集
data = pd.read_csv('data.csv')
 
# 划分数据集为训练集、验证集和测试集
train_data = data.loc[:8000, :]
val_data = data.loc[8000:9000, :]
test_data = data.loc[9000:, :]
 
# 处理缺失值
train_data.fillna(train_data.mean(), inplace=True)
val_data.fillna(train_data.mean(), inplace=True)
test_data.fillna(train_data.mean(), inplace=True)
 
# 特征选择和变换
features = ['age', 'sex', 'income']
train_X = train_data[features]
train_y = train_data['label']
val_X = val_data[features]
val_y = val_data['label']
test_X = test_data[features]
test_y = test_data['label']

B. 构建LightGBM模型

 import lightgbm as lgb
 
# 构建LightGBM模型
params = {
    'objective': 'binary',
    'metric': 'binary_logloss',
    'num_leaves': 31,
    'learning_rate': 0.1
}
lgb_train = lgb.Dataset(train_X, train_y)
lgb_val = lgb.Dataset(val_X, val_y, reference=lgb_train)
model = lgb.train(params, lgb_train, valid_sets=lgb_val, num_boost_round=100)

C. 训练和调整LightGBM模型

 # 使用交叉验证防止过拟合
cv_results = lgb.cv(params, lgb_train, num_boost_round=100, nfold=5, stratified=False, shuffle=True)
 
# 调整超参数
from sklearn.model_selection import GridSearchCV
param_grid = {
    'num_leaves': [31, 64, 128],
    'learning_rate': [0.1, 0.01, 0.001]
}
grid_search = GridSearchCV(model, param_grid=param_grid, cv=5)
grid_search.fit(train_X, train_y)

D. 应用LightGBM模型进行预测

 # 使用训练好的LightGBM模型进行预测
y_pred = model.predict(test_X)
 
# 对概率进行阈值处理，将大于0.5的预测为正类，小于等于0.5的预测为负类
y_pred_binary = np.where(y_pred > 0.5, 1, 0)
 
# 计算预测性能
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score
acc = accuracy_score(test_y, y_pred_binary)
prec = precision_score(test_y, y_pred_binary)
rec = recall_score(test_y, y_pred_binary)
f1 = f1_score(test_y, y_pred_binary)
auc = roc_auc_score(test_y, y_pred)
 
print('Accuracy:', acc)
print('Precision:', prec)
print('Recall:', rec)
print('F1 score:', f1)
print('ROC AUC score:', auc)

案例研究和应用实践

A. 基于LightGBM的分类和回归模型

二分类任务，乳腺癌数据集

 import lightgbm as lgb
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
 
# 加载数据
data = load_breast_cancer()
X, y = data.data, data.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
# 构建LightGBM模型
lgb_model = lgb.LGBMClassifier(
    num_leaves=31,
    learning_rate=0.05,
    n_estimators=20
)
 
# 训练LightGBM模型
lgb_model.fit(X_train, y_train)
 
# 在测试集上进行预测
y_pred = lgb_model.predict(X_test)
 
# 计算预测性能
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

B. 处理实际数据集的案例研究

一个实际的案例研究是使用 LightGBM 对房价数据集进行建模和预测。该数据集包含房屋的各种特征，例如房屋的大小、位置、房间数量、卫生间数量等等，以及每个房屋的销售价格。

在处理房价数据集时使用的 LightGBM 特定技术和方法：

LightGBM 可以自动处理类别特征，无需进行独热编码或标签编码。
LightGBM 可以自动处理缺失值，使用 NaN 或其他值来代替缺失值。
LightGBM 可以自动处理离群值，无需额外的处理。
LightGBM 可以使用随机森林、贝叶斯优化等技术来进行模型的调参。

使用 LightGBM 对房价数据集进行建模和预测的示例代码：

 import pandas as pd
import lightgbm as lgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
 
# 加载数据集
data = pd.read_csv('house_prices.csv')
 
# 划分数据集
train_data, test_data, train_target, test_target = train_test_split(
    data.drop('SalePrice', axis=1), data['SalePrice'], test_size=0.2, random_state=42)
 
# 定义 LightGBM 数据集
train_dataset = lgb.Dataset(train_data, label=train_target)
 
# 设置参数
params = {
    'boosting_type': 'gbdt',
    'objective': 'regression',
    'metric': 'rmse',
    'num_leaves': 31,
    'learning_rate': 0.05,
    'feature_fraction': 0.9
}
 
# 训练模型
num_round = 100
bst = lgb.train(params, train_dataset, num_round)
 
# 测试模型
test_pred = bst.predict(test_data)
test_rmse = mean_squared_error(test_target, test_pred) ** 0.5
print('RMSE on test set: {:.2f}'.format(test_rmse))

总结

LightGBM 是一个高效，分布式，高性能的梯度提升框架，具有许多优点，如快速训练速度，高准确性和可扩展性等。
LightGBM 的基本工作原理是通过将数据集分成许多小数据集，并使用特定的算法构建决策树来构建强大的预测模型。
LightGBM 还具有许多高级特性和功能，如数据并行处理，直方图加速，类别特征处理，特征重要性分析和自定义损失函数等。
在使用 LightGBM 进行建模时，需要先准备和清洗数据，进行特征工程，然后构建 LightGBM 模型，进行训练和调整，最后使用模型进行预测。
LightGBM 在许多应用场景中都有很好的表现，包括分类和回归模型，时间序列预测，推荐系统，图像识别等。

相关阅读:
如何快速重置模型原点
 SQL高级
 【linux命令讲解大全】112.Linux 系统管理工具：dpkg-statoverride 和 dstat 的使用介绍
 获取、设置注释的值
 DeepMind 的新强化学习系统是迈向通用 AI 的一步吗？
Dijkstra算法
 VSCode中配置调试C/C++问题汇总---kalrry
AI机器视觉多场景应用迸发检测活力，引领食品及包装行业新发展
 java毕业设计个人博客网站Mybatis+系统+数据库+调试部署
 SpringCloud：自定义skywalking链路追踪
原文地址：https://www.cnblogs.com/alax-w/p/17139978.html

	import pandas as pd
	import numpy as np
	import lightgbm as lgb

	# 读取CSV格式的数据
	data = pd.read_csv('data.csv')

	# 将numpy数组转换为Dataset格式
	X_train = np.random.rand(100, 10)
	y_train = np.random.rand(100)
	train_data = lgb.Dataset(X_train, label=y_train)

	params = {
	'boosting_type': 'gbdt',
	'objective': 'binary',
	'num_leaves': 31,
	'learning_rate': 0.05,
	'feature_fraction': 0.9
	}

	params = {
	'device': 'gpu',
	'gpu_platform_id': 0,
	'gpu_device_id': 0
	}

	bashCopy code
	git clone --recursive https://github.com/microsoft/LightGBM

	import pandas as pd
	import numpy as np

	# 加载数据集
	data = pd.read_csv('data.csv')

	# 划分数据集为训练集、验证集和测试集
	train_data = data.loc[:8000, :]
	val_data = data.loc[8000:9000, :]
	test_data = data.loc[9000:, :]

	# 处理缺失值
	train_data.fillna(train_data.mean(), inplace=True)
	val_data.fillna(train_data.mean(), inplace=True)
	test_data.fillna(train_data.mean(), inplace=True)

	# 特征选择和变换
	features = ['age', 'sex', 'income']
	train_X = train_data[features]
	train_y = train_data['label']
	val_X = val_data[features]
	val_y = val_data['label']
	test_X = test_data[features]
	test_y = test_data['label']

	import lightgbm as lgb

	# 构建LightGBM模型
	params = {
	'objective': 'binary',
	'metric': 'binary_logloss',
	'num_leaves': 31,
	'learning_rate': 0.1
	}
	lgb_train = lgb.Dataset(train_X, train_y)
	lgb_val = lgb.Dataset(val_X, val_y, reference=lgb_train)
	model = lgb.train(params, lgb_train, valid_sets=lgb_val, num_boost_round=100)

	# 使用交叉验证防止过拟合
	cv_results = lgb.cv(params, lgb_train, num_boost_round=100, nfold=5, stratified=False, shuffle=True)

	# 调整超参数
	from sklearn.model_selection import GridSearchCV
	param_grid = {
	'num_leaves': [31, 64, 128],
	'learning_rate': [0.1, 0.01, 0.001]
	}
	grid_search = GridSearchCV(model, param_grid=param_grid, cv=5)
	grid_search.fit(train_X, train_y)

	# 使用训练好的LightGBM模型进行预测
	y_pred = model.predict(test_X)

	# 对概率进行阈值处理，将大于0.5的预测为正类，小于等于0.5的预测为负类
	y_pred_binary = np.where(y_pred > 0.5, 1, 0)

	# 计算预测性能
	from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score
	acc = accuracy_score(test_y, y_pred_binary)
	prec = precision_score(test_y, y_pred_binary)
	rec = recall_score(test_y, y_pred_binary)
	f1 = f1_score(test_y, y_pred_binary)
	auc = roc_auc_score(test_y, y_pred)

	print('Accuracy:', acc)
	print('Precision:', prec)
	print('Recall:', rec)
	print('F1 score:', f1)
	print('ROC AUC score:', auc)

	import lightgbm as lgb
	from sklearn.datasets import load_breast_cancer
	from sklearn.model_selection import train_test_split
	from sklearn.metrics import accuracy_score

	# 加载数据
	data = load_breast_cancer()
	X, y = data.data, data.target
	X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

	# 构建LightGBM模型
	lgb_model = lgb.LGBMClassifier(
	num_leaves=31,
	learning_rate=0.05,
	n_estimators=20
	)

	# 训练LightGBM模型
	lgb_model.fit(X_train, y_train)

	# 在测试集上进行预测
	y_pred = lgb_model.predict(X_test)

	# 计算预测性能
	accuracy = accuracy_score(y_test, y_pred)
	print("Accuracy:", accuracy)

	params = {
	'num_threads': 4,
	'device': 'cpu'
	}

	brew install cmake boost