【LGBM】LightGBM sklearn API超参数解释与使用方法(优化)

接下来我们进一步解释LGBM的sklearn API中各评估器中的超参数及使用方法。

在LGBM的sklearn API中，总共包含四个模型类（也就是四个评估器），分别是lightgbm.LGBMModel、LGBMClassifier 和 LGBMRegressor 以及LGBMRanker：

LGBMModel

LGBMModel 是 LightGBM 的基础模型类，它提供了所有 LightGBM 模型的通用接口。虽然它本身不是为特定任务设计的，但它包含了所有基本的训练和预测方法。

主要方法：

• fit(X, y, sample_weight=None, init_score=None, eval_set=None, eval_names=None, eval_sample_weight=None, eval_class_weight=None, eval_init_score=None, eval_metric=None, early_stopping_rounds=None, verbose=True, feature_name='auto', categorical_feature='auto', callbacks=None, init_model=None)
• predict(X, raw_score=False, start_iteration=0, num_iteration=None, pred_leaf=False, pred_contrib=False, **kwargs)
• feature_importances_：返回特征的重要性评分。

LGBMClassifier

LGBMClassifier 是用于分类任务的模型类，适用于二分类和多分类问题。

主要超参数：

• boosting_type='gbdt'：提升类型，可选值有 'gbdt' (默认), 'dart', 'goss', 'rf'。
• num_leaves=31：每棵树的最大叶子数。
• max_depth=-1：树的最大深度，负值表示不限制。
• learning_rate=0.1：学习率，控制每次迭代的学习步长。
• n_estimators=100：提升树的数量。
• subsample_for_bin=200000：构造直方图时使用的样本数量。
• min_split_gain=0.0：分裂节点所需的最小增益。
• min_child_weight=0.001：叶子节点的最小权重。
• min_child_samples=20：叶子节点的最小样本数。
• subsample=1.0：每棵树训练时使用的样本比例。
• colsample_bytree=1.0：每棵树训练时使用的特征比例。
• reg_alpha=0.0：L1 正则化系数。
• reg_lambda=0.0：L2 正则化系数。
• random_state=None：随机种子，用于复现结果。
• n_jobs=-1：并行任务数，-1 表示使用所有可用的 CPU 核心。
• silent=True：是否静默模式，不显示训练过程中的信息。
• importance_type='split'：特征重要性的计算方式，可选值有 'split' 和 'gain'。

示例代码：

from lightgbm import LGBMClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据集
data = load_iris()
X, y = data.data, data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建 LGBMClassifier 模型
model = LGBMClassifier(
    n_estimators=100,
    learning_rate=0.1,
    max_depth=5,
    num_leaves=31,
    subsample=0.8,
    colsample_bytree=0.8,
    reg_alpha=0.1,
    reg_lambda=0.1,
    random_state=42
)

# 训练模型
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

# 获取特征重要性
feature_importances = model.feature_importances_
print("Feature importances:", feature_importances)

LGBMRegressor

LGBMRegressor 是用于回归任务的模型类，适用于预测连续值目标变量的问题。

主要超参数：

• boosting_type='gbdt'：提升类型，可选值有 'gbdt' (默认), 'dart', 'goss', 'rf'。
• num_leaves=31：每棵树的最大叶子数。
• max_depth=-1：树的最大深度，负值表示不限制。
• learning_rate=0.1：学习率，控制每次迭代的学习步长。
• n_estimators=100：提升树的数量。
• subsample_for_bin=200000：构造直方图时使用的样本数量。
• min_split_gain=0.0：分裂节点所需的最小增益。
• min_child_weight=0.001：叶子节点的最小权重。
• min_child_samples=20：叶子节点的最小样本数。
• subsample=1.0：每棵树训练时使用的样本比例。
• colsample_bytree=1.0：每棵树训练时使用的特征比例。
• reg_alpha=0.0：L1 正则化系数。
• reg_lambda=0.0：L2 正则化系数。
• random_state=None：随机种子，用于复现结果。
• n_jobs=-1：并行任务数，-1 表示使用所有可用的 CPU 核心。
• silent=True：是否静默模式，不显示训练过程中的信息。
• importance_type='split'：特征重要性的计算方式，可选值有 'split' 和 'gain'。

示例代码：

from lightgbm import LGBMRegressor
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# 加载数据集
data = load_boston()
X, y = data.data, data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建 LGBMRegressor 模型
model = LGBMRegressor(
    n_estimators=100,
    learning_rate=0.1,
    max_depth=5,
    num_leaves=31,
    subsample=0.8,
    colsample_bytree=0.8,
    reg_alpha=0.1,
    reg_lambda=0.1,
    random_state=42
)

# 训练模型
model.fit(X_train, y_train)

# 预测
predictions = model.predict(X_test)

# 获取特征重要性
feature_importances = model.feature_importances_
print("Feature importances:", feature_importances)

LGBMRanker

LGBMRanker 是用于排序任务的模型类，适用于需要对一组项目进行排序的问题，常见于信息检索和推荐系统中。

主要超参数：

• boosting_type='gbdt'：提升类型，可选值有 'gbdt' (默认), 'dart', 'goss', 'rf'。
• num_leaves=31：每棵树的最大叶子数。
• max_depth=-1：树的最大深度，负值表示不限制。
• learning_rate=0.1：学习率，控制每次迭代的学习步长。
• n_estimators=100：提升树的数量。
• subsample_for_bin=200000：构造直方图时使用的样本数量。
• min_split_gain=0.0：分裂节点所需的最小增益。
• min_child_weight=0.001：叶子节点的最小权重。
• min_child_samples=20：叶子节点的最小样本数。
• subsample=1.0：每棵树训练时使用的样本比例。
• colsample_bytree=1.0：每棵树训练时使用的特征比例。
• reg_alpha=0.0：L1 正则化系数。
• reg_lambda=0.0：L2 正则化系数。
• random_state=None：随机种子，用于复现结果。
• n_jobs=-1：并行任务数，-1 表示使用所有可用的 CPU 核心。
• silent=True：是否静默模式，不显示训练过程中的信息。
• importance_type='split'：特征重要性的计算方式，可选值有 'split' 和 'gain'。

特殊参数：

• group：每个查询组的大小，必须在 fit 方法中提供。
• eval_at=[1, 2, 3]：评估排序性能时使用的排名位置。

示例代码：

from lightgbm import LGBMRanker
import numpy as np

# 生成示例数据
X = np.random.rand(100, 10)  # 100 个样本，每个样本有 10 个特征
y = np.random.randint(0, 5, 100)  # 目标变量，假设是 0 到 4 的评分
group = [10] * 10  # 每个查询组有 10 个样本

# 创建 LGBMRanker 模型
model = LGBMRanker(
    n_estimators=100,
    learning_rate=0.1,
    max_depth=5,
    num_leaves=31,
    subsample=0.8,
    colsample_bytree=0.8,
    reg_alpha=0.1,
    reg_lambda=0.1,
    random_state=42
)

# 训练模型
model.fit(X, y, group=group)

# 预测
predictions = model.predict(X)

# 获取特征重要性
feature_importances = model.feature_importances_
print("Feature importances:", feature_importances)

总结

• LGBMModel：基础模型类，通常不直接使用。
• LGBMClassifier：用于分类任务，支持二分类和多分类。
• LGBMRegressor：用于回归任务，预测连续值目标变量。
• LGBMRanker：用于排序任务，适用于信息检索和推荐系统。

LGBMClassifier调参

1. 数据集特性分析

在开始调参之前，先对数据集进行一些基本的分析，了解数据的特性和潜在的问题：

• 数据规模 ：数据集的大小会影响模型的选择和参数设置。大规模数据集可能需要更多的树（更大的 n_estimators）和更深的树（更大的 max_depth）。
• 特征数量 ：特征数量较多时，可以考虑减少每棵树使用的特征比例（减小 colsample_bytree）。
• 类别不平衡 ：对于分类问题，如果类别不平衡，可以调整 is_unbalance 或 scale_pos_weight 参数。
• 噪声和异常值 ：数据中存在大量噪声或异常值时，可以增加正则化参数（如 reg_alpha 和 reg_lambda）来减少过拟合。

2. 基本参数设置

通用参数：

• n_estimators：提升树的数量。初始值可以设为 100，然后根据模型性能逐步增加或减少。
• learning_rate：学习率。初始值可以设为 0.1，如果模型过拟合，可以尝试降低学习率。
• max_depth：树的最大深度。初始值可以设为 5 或 6，然后根据模型性能进行调整。
• num_leaves：每棵树的最大叶子数。初始值可以设为 31，然后根据模型性能进行调整。
• min_child_samples：叶子节点的最小样本数。初始值可以设为 20，如果数据集中有少量样本，可以适当减少这个值。

正则化参数：

• reg_alpha：L1 正则化系数。初始值可以设为 0，如果模型过拟合，可以尝试增加这个值。
• reg_lambda：L2 正则化系数。初始值可以设为 0，如果模型过拟合，可以尝试增加这个值。

子采样参数：

• subsample：每棵树训练时使用的样本比例。初始值可以设为 1.0，如果数据集较大，可以尝试减小这个值（例如 0.8）。
• colsample_bytree：每棵树训练时使用的特征比例。初始值可以设为 1.0，如果特征数量较多，可以尝试减小这个值（例如 0.8）。

特定任务：

• 类别不平衡 ：如果数据集中类别不平衡，可以使用 class_weight='balanced' 或者手动设置 scale_pos_weight。
• 多分类 ：对于多分类任务，可以尝试增加 n_estimators 和 max_depth，因为多分类任务通常需要更复杂的模型。

3. 调参策略

交叉验证

使用交叉验证来评估模型的性能，避免过拟合。scikit-learn 提供了 GridSearchCV 和 RandomizedSearchCV，可以帮助自动寻找最优参数组合。

Grid Search

通过网格搜索（Grid Search）尝试所有可能的参数组合，找到最优的参数设置。

from sklearn.model_selection import GridSearchCV
from lightgbm import LGBMClassifier

# 定义参数网格
param_grid = {
    'n_estimators': [100, 200, 300],
    'learning_rate': [0.01, 0.1, 0.2],
    'max_depth': [3, 5, 7],
    'num_leaves': [15, 31, 63],
    'min_child_samples': [10, 20, 30],
    'subsample': [0.8, 1.0],
    'colsample_bytree': [0.8, 1.0],
    'reg_alpha': [0, 0.1, 0.5],
    'reg_lambda': [0, 0.1, 0.5]
}

# 创建 LGBMClassifier 模型
model = LGBMClassifier(random_state=42)

# 创建 GridSearchCV 对象
grid_search = GridSearchCV(model, param_grid, cv=5, scoring='accuracy', n_jobs=-1)

# 训练模型
grid_search.fit(X_train, y_train)

# 输出最优参数
print("Best parameters found: ", grid_search.best_params_)

Randomized Search

随机搜索（Randomized Search）通过随机采样参数空间，寻找最优参数组合。相比于网格搜索，随机搜索在高维参数空间中更加高效。

from sklearn.model_selection import RandomizedSearchCV
from lightgbm import LGBMClassifier
from scipy.stats import randint, uniform

# 定义参数分布
param_dist = {
    'n_estimators': randint(100, 500),
    'learning_rate': uniform(0.01, 0.2),
    'max_depth': randint(3, 10),
    'num_leaves': randint(15, 63),
    'min_child_samples': randint(10, 30),
    'subsample': uniform(0.7, 0.3),
    'colsample_bytree': uniform(0.7, 0.3),
    'reg_alpha': uniform(0, 0.5),
    'reg_lambda': uniform(0, 0.5)
}

# 创建 LGBMClassifier 模型
model = LGBMClassifier(random_state=42)

# 创建 RandomizedSearchCV 对象
random_search = RandomizedSearchCV(model, param_distributions=param_dist, n_iter=100, cv=5, scoring='accuracy', n_jobs=-1, random_state=42)

# 训练模型
random_search.fit(X_train, y_train)

# 输出最优参数
print("Best parameters found: ", random_search.best_params_)