LightGBM原理与实践简记_is_unbalance=true

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  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

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"\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）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） - 知乎

【2】LightGBM的参数详解以及如何调优. LightGBM的参数详解以及如何调优 - 云+社区 - 腾讯云

【3】LightGBM 中文文档. LightGBM 中文文档

【4】决策树（下）——XGBoost、LightGBM（非常详细）【机器学习】决策树（下）——XGBoost、LightGBM（非常详细） - 知乎

【5】ShowMeAI知识社区

【6】深入理解LightGBM - 知乎

【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 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？ - 知乎

【8】LightGBM+OPTUNA超参数自动调优教程

【9】LightGBM with the Focal Loss for imbalanced datasets