LightGBM：修订间差异

来自决策链云智库
无编辑摘要
无编辑摘要
第28行： 第28行：
}}
}}


==算法概述==


==示例代码-LightGBM分类节点==
该节点使用Python编写，调用xgboost包<ref>{{cite web
| title = xgboost pakage
| url = https://github.com/dmlc/xgboost
| access-date = 2024-01-22
}}</ref>。以下为示例代码：
<syntaxhighlight lang="Python">
import xgboost as xgb
# Load Pandas Data
data = np.random.rand(5, 10)  # 5 entities, each contains 10 features
label = np.random.randint(2, size=5)  # binary target
dtrain = xgb.DMatrix(data, label=label)
num_round = 10
bst = xgb.train(param, dtrain, num_round, evallist)
</syntaxhighlight>
如果想使用完全代码请参考：https://xgboost.readthedocs.io/en/stable/python
拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。
=='''节点使用指南'''==
* 最适用的场景：可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
===变量配置===
* 选择特征变量：作为特征进行学习的变量（X），多选。
* 选择目标变量：作为结局的二分类变量（y），单选。
===参数配置===
* 设置随机数：控制模型的随机性。
* 弱学习器类型：
** gbdt（默认）：梯度提升决策树（Gradient Boosting Decision Tree）。这是传统的梯度提升框架，使用了Leaf-wise决策树。
** dart：DART（Dropouts meet Multiple Additive Regression Trees）。DART是LightGBM的一种改进算法，它在训练过程中引入了随机性，通过丢弃（dropout）弱学习器来减少过拟合的风险。
** rf：随机森林（Random Forest）。随机森林是一种集成学习方法，通过随机选择特征和样本来构建多个决策树，并使用投票或平均来进行预测。
* 学习率：默认0.1。
===注意事项===
* 不支持带空值运算，用[[多重插补]]或[[插补空值]]进行插补，
* 节点不出图，
* 导入该节点的数据端口为训练数据集，导入前注意转换。
== 参考文献 ==
{{reflist}}


{{Navplate AlgorithmNodeList}}
{{Navplate AlgorithmNodeList}}


[[Category:分类训练器]]
[[Category:分类训练器]]

2024年1月22日 (一) 11:16的版本

Boosting LightGBM Learner.png
节点状态
Windows / Windows 10 Win10及以上可用
在V1.0部署
LightGBMBoosting LightGBM Learner.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名Boosting_LightGBM Learner
功能主类别机器学习
英文缩写LightGBM
功能亚类别分类训练器
节点类型数据挖掘
开发语言Python
节点简介

LightGBM是一种基于梯度提升树（Gradient Boosting Tree）的机器学习算法，由微软开发。它是一种高效且可扩展的梯度提升树框架，用于解决分类和回归问题。LightGBM的设计目标是提供快速、准确和高效的模型训练和预测。

端口数量与逻辑控制(PC)
Input-入口2个
Output-出口3个
Loop-支持循环否
If/Switch-支持逻辑判断否
输入输出
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点Logistic分类器
下一节点随机森林
WikimediaUI-Globe.svg相关网站




算法概述

示例代码-LightGBM分类节点

该节点使用Python编写，调用xgboost包[1]。以下为示例代码： 

import xgboost as xgb
# Load Pandas Data
data = np.random.rand(5, 10)  # 5 entities, each contains 10 features
label = np.random.randint(2, size=5)  # binary target
dtrain = xgb.DMatrix(data, label=label)

num_round = 10
bst = xgb.train(param, dtrain, num_round, evallist)

如果想使用完全代码请参考：https://xgboost.readthedocs.io/en/stable/python

拟合后，模型可以用于预测样本的类别，可以在通用预测模块实现内外部测试集的预测。

节点使用指南

  • 最适用的场景：可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
  • 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。

变量配置

  • 选择特征变量：作为特征进行学习的变量（X），多选。
  • 选择目标变量：作为结局的二分类变量（y），单选。

参数配置

  • 设置随机数：控制模型的随机性。
  • 弱学习器类型：
    • gbdt（默认）：梯度提升决策树（Gradient Boosting Decision Tree）。这是传统的梯度提升框架，使用了Leaf-wise决策树。
    • dart：DART（Dropouts meet Multiple Additive Regression Trees）。DART是LightGBM的一种改进算法，它在训练过程中引入了随机性，通过丢弃（dropout）弱学习器来减少过拟合的风险。
    • rf：随机森林（Random Forest）。随机森林是一种集成学习方法，通过随机选择特征和样本来构建多个决策树，并使用投票或平均来进行预测。
  • 学习率：默认0.1。

注意事项

  • 不支持带空值运算，用多重插补或插补空值进行插补，
  • 节点不出图，
  • 导入该节点的数据端口为训练数据集，导入前注意转换。

参考文献

  1. ↑ "xgboost pakage". Retrieved 2024-01-22.

查找其他类别的节点，请参考以下列表

取自“https://wiki.statsape.com/index.php?title=LightGBM&oldid=8169”
最近修改
此页面最后编辑于2024年1月22日 (星期一) 11:16。
版权
DecisionLinnc Wiki (决策链云智库) © 2024 by Statsape is licensed under Attribution-NonCommercial-ShareAlike 4.0 International. To view a copy of this license, visit [http://creativecommons.org/licenses/by-nc-sa/4.0/| CreativeCommons-Licenses-4.0].