当前位置 : 主页 > 编程语言 > 其它开发 >

LightGBM原理与实践简记

来源:互联网 收集:自由互联 发布时间:2022-06-04
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。 目录 开箱即用 quickstart sklearn 接口 增量学习 原理 回顾

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。


目录
  • 开箱即用
    • quickstart
    • sklearn 接口
    • 增量学习
  • 原理
    • 回顾Xgboost
    • LightGBM
      • 直方图算法
      • Leaf-wise 生长
      • 类别型特征支持
      • 并行支持
      • 不均衡数据处理
  • 参数调优
    • 参数说明
      • 核心参数
      • 超参
    • 调优
      • 自动调参
      • 特征重要性
  • references

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 公式 个离散值,并构造宽度为 公式公式。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 公式

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。

image-20220603171940481

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

img

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

img

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_raten_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_l1lambda_l2L1L2 正则化,对应XGBoostreg_lambdareg_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 XGBoostgamma 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
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_valuebast_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"\t\t{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

【8】LightGBM+OPTUNA超参数自动调优教程

【9】LightGBM with the Focal Loss for imbalanced datasets

上一篇:树莓派使用Docker部署EdgeX(jakarta版本)
下一篇:没有了
网友评论