L2R最常用的包就是XGBoost 和LightGBM,xgboost因为其性能及快速处理能力,在机器学习比赛中成为常用的开源工具包, 2016年微软开源了旗下的lightgbm(插句题外话:微软的人真是够谦虚的,开源的包都是light前缀,公司更是micro),对标xgboost,在结果相差不大的前提下,显著缩短了训练时间。

先占个坑,等有空展开写写。

下面分别介绍下两者:

  一、XGBoost

  1.git地址:https://github.com/dmlc/xgboost   参数说明:http://xgboost.readthedocs.io/en/latest/python/python_api.html

  2.改进思想

    2.1 算法方面

      2.1.1 SPLIT FINDING ALGORITHMS

    2.2 系统实现

      2.2.1 Column Block for Parallel Learning

      2.2.2 Cache-aware Access

  3.参数说明     

xgboost参数
params = {'seed':0, 'objective':'reg:tweedie', 'eval_metric':'tweedie-nloglik@1.2', 'tweedie_variance_power':1.2}
params = {'seed':0, 'objective':'reg:linear', 'eval_metric':'rmse'} param = {
'eta':0.1,
#为了防止过拟合,更新过程中用到的收缩步长。在每次提升计算之后,算法会直接获得新特征的权重。 eta通过缩减特征的权重使提升计算过程更加保守。
#缺省值为0.3 'max_depth':3,
#数的最大深度。缺省值为6 'silent':0,
#取0时表示打印出运行时信息,取1时表示以缄默方式运行,不打印运行时信息。缺省值为0 'objective':'reg:gamma', 'tweedie_variance_power':1.7,
#parameter that controls the variance of the Tweedie distribution var(y) ~ E(y)^tweedie_variance_power
#取值range: (1,2) 2为gamma分布、1为Poisson分布 "tree_method":"approx", "colsample_bytree":1.0,
#在建立树时对特征采样的比例。缺省值为1 "subsample":1,
#用于训练模型的子样本占整个样本集合的比例。如果设置为0.5则意味着XGBoost将随机的冲整个样本集合中随机的抽取出50%的子样本建立树模型,
这能够防止过拟合。 'sketch_eps':0.03, (默认值) "updater":'grow_histmaker,prune',
#‘grow_histmaker’: distributed tree construction with row-based data splitting based on global proposal of histogram counting.
#‘prune’: prunes the splits where loss < min_split_loss (or gamma). 'lambda': 0.1
#Parameter for Linear Booster L2 正则的惩罚系数 default为0
"alpha":0.5,
#Parameter for Linear Booster L1 正则的惩罚系数 default为0 num_round = tree_num train阶段进行设置
#The number of rounds for boosting

  

  二、LightGBM

  1.git地址:https://github.com/Microsoft/LightGBM    入门安装文档:https://lightgbm.readthedocs.io/en/latest/    中文文档:http://lightgbm.apachecn.org/cn/latest/Quick-Start.html

  2. 改进思想

    2.1 histgram 算法

    2.2 GOSS

  3.lightgbm模型文件解析

  配置文件备注1:  配置文件根据不同任务在examples中各个子文件夹中都有示例,额外的参数是可以指定categorical_column,这个主要是区别于连续变量,这两种类型的变量在lightgbm中可以都只占一列,而不需特别进行离散化。

  配置文件备注2:  categorical特征和continuous特征的缺失值分别用'NA'和‘-1’表示。

  首先,模型文件主要分三部分:模型基本概况 、各个子树的信息以及各个特征重要性说明。

  3.1 模型基本概况

    主要包括:

      num_class=1(二分类与listwise均为1,转换成概率),

      label_index(目标所在的列序号),

      max_feature_idx(特征最大列数,从0开始计数,和feature_names呼应)

      feature_infos(列出每个特征的取值范围,连续变量用中括号区间表示, 离散值用冒号分隔,挨个枚举列出来, 没有发挥作用就用none表示)

      tree_sizes(每棵树的size)

      version=v2

配置信息:

categorical_column = 12,13,14,15,16,17,19,21,23,26,28,30,32,33,34,36,37,40,41,42,43,44,45,46,47,48,49,50,51,52,66,67,160,164,202,203,214,230,231,233,236,253,254,255,256,257,258,259,260,261,262,263,264,265,266,267,268,269,270,271,272,273,274,276,277

  3.2 各子树基本信息

    Tree = 0 :第一棵树

    num_leaves=128: 叶子节点数,N个。

    num_cat:切分特征中,属于categorical特征的总数,多次切分计多次。M个。

    split_feature:每次分裂时的特征,128个叶子节点便有127次分裂,N-1个

    split_gain: 每次分裂的信息增益,127次分裂便有127个分裂增益值,N-1个数值,且逐渐减小。

    threshold :每个特征分裂的阈值, 127次分裂便有127个阈值,N-1个。

    decision_type:N-1

    left_child:处于左节点的节点编号,N-1个。

    right_child:处于右节点的节点编号, N-1个。

     // 这两个共同表明了树的结构,节点主要分为两种:内部节点+叶子节点。

     // 内部节点的范围主要是1-N-2 (N-2个), 叶子节点以负号开头,主要是-N -- -1 (N个),合起来刚好2N-2个。

    leaf_value:各个叶子节点的预测值,N个。

    leaf_count: 每个叶子节点的样本数目,N个。加起来的数目应该是训练样本的数量 * bagging_fraction

    internal_value:N-1个。各个中间节点(即内部节点)的预测值。

    internal_count:N-1个。 各个中间节点(即内部节点)上的样本数目。

      //internal 表示中间节点, leaf为叶子节点

    cat_boundaries:M+1个,

    cat_threshold:大小为cat_boundaries最后一个元素

    shrinkage: 配置文件中设置,学习率。

    

  3.3 特征重要性 

  Column_8=50, 所有特征中最重要的,后面的数值表示在所有树中,作为分裂特征的总次数。
  Column_10=48

  

  

  

L2R 三:常用工具包介绍之 XGBoost与LightGBM的更多相关文章

  1. Linux下查看某个进程打开的文件数-losf工具常用参数介绍

    Linux下查看某个进程打开的文件数-losf工具常用参数介绍 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 在linux操作系统中,一切皆文件.通过文件不仅仅可以访问常规数据,还 ...

  2. webpack基础+webpack配置文件常用配置项介绍+webpack-dev-server

    一.webpack基础 1.在项目中生成package.json:在项目根目录中输入npm init,根据提示输入相应信息.(也可以不生成package.json文件,但是package.json是很 ...

  3. 3.Nginx常用功能介绍

    Nginx常用功能介绍 Nginx反向代理应用实例 反向代理(Reverse Proxy)方式是指通过代理服务器来接受Internet上的连接请求,然后将请求转发给内部网络上的服务器,并且从内部网络服 ...

  4. 以太坊智能合约 Solidity 的常用数据类型介绍

    目录 目录 1.数组 1.1.对数组的增删改查操作. 2.String.Bytes.Mapping的使用 3.Enums 和 Structs 的简单应用 4.Ether 单位和 Time 单位 5.A ...

  5. LINUX服务器搭建和常用配置介绍

    服务器搭建 : 搭建私有CA服务器 : http://www.cnblogs.com/zhaojiedi1992/p/zhaojiedi_linux_011_ca.html搭建samba服务器 : h ...

  6. Ansible常用模块介绍及使用(week5_day1_part2)--技术流ken

    Ansible模块 在上一篇博客<Ansible基础认识及安装使用详解(一)--技术流ken>中以及简单的介绍了一下ansible的模块.ansible是基于模块工作的,所以我们必须掌握几 ...

  7. MySQL常用函数介绍

    MySQL常用函数介绍 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 一.操作符介绍 1>.操作符优先级 mysql; +----------+ | +----------+ ...

  8. Java基础-考察JVM内部结构的常用工具介绍

    Java基础-考察JVM内部结构的常用工具介绍 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 我们可以通过jvisualvm.exe考察jvm内部结构.而jvisualvm.exe ...

  9. Hadoop生态圈-zookeeper本地搭建以及常用命令介绍

    Hadoop生态圈-zookeeper本地搭建以及常用命令介绍 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 一.下载zookeeper软件 下载地址:https://www.ap ...

随机推荐

  1. tomcat 配置更改 web 目录

    tomcat 虚拟目录:( 编辑  tomcat/conf/server.xml ) <Host name="localhost" appBase="webapps ...

  2. Hdu 5093 Battle Ship

    每个海面要么放要么不放,因此可以用二分图匹配, 考虑把同一行内的能互相看到的点放到一个行块里,同一列内能看到的点放到一个列块里,然后每一个行块都可以和该行块里所有海面的列块连边,选了这个行块,就必须选 ...

  3. c博客作业01--顺序分支结构

    0.展示PTA总分 1.本章学习总结 1.1 学习内容总结 1.运算符需注意的要点 '/'的左右两边如果均为整型数,其结果也为整型:'%'的左右两边只能为整型数: 优先级:逻辑运算符<关系运算符 ...

  4. Balanced Ternary String(贪心+思维)

    题目链接:Balanced Ternary String 题目大意:给一个字符串,这个字符串只由0,1,2构成,然后让替换字符,使得在替换字符次数最少的前提下,使新获得的字符串中0,1,2 这三个字符 ...

  5. 忽略 IDEA 文件

    IntelliJ IDEA .idea *.iml /WebRoot/WEB-INF/classes

  6. 多线程 interrupt()方法

    java interrupt()方法只是设置线程的中断标记,当对处于阻塞状态的线程调用interrupt方法时(处于阻塞状态的线程是调用sleep, wait, join 的线程),会抛出Interr ...

  7. 第06组 Beta版本演示

    队名:福大帮 组长博客链接: https://www.cnblogs.com/mhq-mhq/p/12052263.html 作业博客 : https://edu.cnblogs.com/campus ...

  8. spark streaming 流式计算---跨batch连接池共享(JVM共享连接池)

    在流式计算过程中,难免会连接第三方存储平台(redis,mysql...).在操作过程中,大部分情况是在foreachPartition/mapPartition算子中做连接操作.每一个分区只需要连接 ...

  9. FactorVAE论文学习-1

    Disentangling by Factorising 我们定义和解决了从变量的独立因素生成的数据的解耦表征的无监督学习问题.我们提出了FactorVAE方法,通过鼓励表征的分布因素化且在维度上独立 ...

  10. Java12新特性 -- Shenandoah GC

    Shenandoah 垃圾回收器是 Red Hat 在 2014 年宣布进行的一项垃圾收集器研究项目 Pauseless GC 的实现,旨在针对 JVM 上的内存收回实现低停顿的需求.该设计将与应用程 ...