本文主要內容概覽：
1. LightGBM簡介
GBDT (Gradient Boosting Decision Tree) 是機器學習中一個長盛不衰的模型，其主要思想是利用弱分類器（決策樹）迭代訓練以得到最優模型，該模型具有訓練效果好、不易過擬合等優點。GBDT不僅在工業界應用廣泛，通常被用於多分類、點擊率預測、搜索排序等任務；在各種數據挖掘競賽中也是致命武器，據統計Kaggle上的比賽有一半以上的冠軍方案都是基於GBDT。而LightGBM（Light Gradient Boosting Machine）是一個實現GBDT算法的框架，支持高效率的並行訓練，並且具有更快的訓練速度、更低的內存消耗、更好的準確率、支持分佈式可以快速處理海量數據等優點。
1.1 LightGBM提出的動機
常用的機器學習算法，例如神經網絡等算法，都可以以mini-batch的方式訓練，訓練數據的大小不會受到內存限制。而GBDT在每一次迭代的時候，都需要遍歷整個訓練數據多次。如果把整個訓練數據裝進內存則會限制訓練數據的大小；如果不裝進內存，反覆地讀寫訓練數據又會消耗非常大的時間。尤其面對工業級海量的數據，普通的GBDT算法是不能滿足其需求的。
LightGBM提出的主要原因就是為了解決GBDT在海量數據遇到的問題，讓GBDT可以更好更快地用於工業實踐。
1.2 XGBoost的缺點及LightGBM的優化
（1）XGBoost的缺點
在LightGBM提出之前，最有名的GBDT工具就是XGBoost了，它是基於預排序方法的決策樹算法。這種構建決策樹的算法基本思想是：首先，對所有特徵都按照特徵的數值進行預排序。其次，在遍歷分割點的時候用的代價找到一個特徵上的最好分割點。最後，在找到一個特徵的最好分割點後，將數據分裂成左右子節點。
這樣的預排序算法的優點是能精確地找到分割點。但是缺點也很明顯：首先，空間消耗大。這樣的算法需要保存數據的特徵值，還保存了特徵排序的結果（例如，為了後續快速的計算分割點，保存了排序後的索引），這就需要消耗訓練數據兩倍的內存。其次，時間上也有較大的開銷，在遍歷每一個分割點的時候，都需要進行分裂增益的計算，消耗的代價大。最後，對cache優化不友好。在預排序後，特徵對梯度的訪問是一種隨機訪問，並且不同的特徵訪問的順序不一樣，無法對cache進行優化。同時，在每一層長樹的時候，需要隨機訪問一個行索引到葉子索引的數組，並且不同特徵訪問的順序也不一樣，也會造成較大的cache miss。
（2）LightGBM的優化
為了避免上述XGBoost的缺陷，並且能夠在不損害準確率的條件下加快GBDT模型的訓練速度，lightGBM在傳統的GBDT算法上進行了如下優化：
- 基於Histogram的決策樹算法。
- 單邊梯度採樣 Gradient-based One-Side Sampling(GOSS)：使用GOSS可以減少大量只具有小梯度的數據實例，這樣在計算信息增益的時候只利用剩下的具有高梯度的數據就可以了，相比XGBoost遍歷所有特徵值節省了不少時間和空間上的開銷。
- 互斥特徵捆綁 Exclusive Feature Bundling(EFB)：使用EFB可以將許多互斥的特徵綁定為一個特徵，這樣達到了降維的目的。
- 帶深度限制的Leaf-wise的葉子生長策略：大多數GBDT工具使用低效的按層生長 (level-wise) 的決策樹生長策略，因為它不加區分的對待同一層的葉子，帶來了很多沒必要的開銷。實際上很多葉子的分裂增益較低，沒必要進行搜索和分裂。LightGBM使用了帶有深度限制的按葉子生長 (leaf-wise) 算法。
- 直接支持類別特徵(Categorical Feature)
- 支持高效並行
- Cache命中率優化
下面我們就詳細介紹以上提到的lightGBM優化算法。
2. LightGBM的基本原理
2.1 基於Histogram的決策樹算法
（1）直方圖算法
Histogram algorithm應該翻譯為直方圖算法，直方圖算法的基本思想是：先把連續的浮點特徵值離散化成 個整數，同時構造一個寬度為 的直方圖。在遍歷數據的時候，根據離散化後的值作為索引在直方圖中累積統計量，當遍歷一次數據後，直方圖累積了需要的統計量，然後根據直方圖的離散值，遍歷尋找最優的分割點。
圖：直方圖算法
直方圖算法簡單理解為：首先確定對於每一個特徵需要多少個箱子（bin）併為每一個箱子分配一個整數；然後將浮點數的範圍均分成若干區間，區間個數與箱子個數相等，將屬於該箱子的樣本數據更新為箱子的值；最後用直方圖（#bins）表示。看起來很高大上，其實就是直方圖統計，將大規模的數據放在了直方圖中。
我們知道特徵離散化具有很多優點，如存儲方便、運算更快、魯棒性強、模型更加穩定等。對於直方圖算法來說最直接的有以下兩個優點：
- 內存佔用更小： 直方圖算法不僅不需要額外存儲預排序的結果，而且可以只保存特徵離散化後的值，而這個值一般用 位整型存儲就足夠了，內存消耗可以降低為原來的 。也就是說XGBoost需要用 位的浮點數去存儲特徵值，並用 位的整形去存儲索引，而 LightGBM只需要用 位去存儲直方圖，內存相當於減少為 ；
圖：內存佔用優化為預排序算法的1/8
- 計算代價更小： 預排序算法XGBoost每遍歷一個特徵值就需要計算一次分裂的增益，而直方圖算法LightGBM只需要計算 次（ 可以認為是常數），直接將時間複雜度從 降低到 ，而我們知道。
當然，Histogram算法並不是完美的。由於特徵被離散化後，找到的並不是很精確的分割點，所以會對結果產生影響。但在不同的數據集上的結果表明，離散化的分割點對最終的精度影響並不是很大，甚至有時候會更好一點。原因是決策樹本來就是弱模型，分割點是不是精確並不是太重要；較粗的分割點也有正則化的效果，可以有效地防止過擬合；即使單棵樹的訓練誤差比精確分割的算法稍大，但在梯度提升（Gradient Boosting）的框架下沒有太大的影響。
（2）直方圖做差加速
LightGBM另一個優化是Histogram（直方圖）做差加速。一個葉子的直方圖可以由它的父親節點的直方圖與它兄弟的直方圖做差得到，在速度上可以提升一倍。通常構造直方圖時，需要遍歷該葉子上的所有數據，但直方圖做差僅需遍歷直方圖的k個桶。在實際構建樹的過程中，LightGBM還可以先計算直方圖小的葉子節點，然後利用直方圖做差來獲得直方圖大的葉子節點，這樣就可以用非常微小的代價得到它兄弟葉子的直方圖。
圖：直方圖做差
注意： XGBoost 在進行預排序時只考慮非零值進行加速，而 LightGBM 也採用類似策略：只用非零特徵構建直方圖。
2.2 帶深度限制的 Leaf-wise 算法
在Histogram算法之上，LightGBM進行進一步的優化。首先它拋棄了大多數GBDT工具使用的按層生長 (level-wise) 的決策樹生長策略，而使用了帶有深度限制的按葉子生長 (leaf-wise) 算法。
XGBoost 採用 Level-wise 的增長策略，該策略遍歷一次數據可以同時分裂同一層的葉子，容易進行多線程優化，也好控制模型複雜度，不容易過擬合。但實際上Level-wise是一種低效的算法，因為它不加區分的對待同一層的葉子，實際上很多葉子的分裂增益較低，沒必要進行搜索和分裂，因此帶來了很多沒必要的計算開銷。
圖：按層生長的決策樹
LightGBM採用Leaf-wise的增長策略，該策略每次從當前所有葉子中，找到分裂增益最大的一個葉子，然後分裂，如此循環。因此同Level-wise相比，Leaf-wise的優點是：在分裂次數相同的情況下，Leaf-wise可以降低更多的誤差，得到更好的精度；Leaf-wise的缺點是：可能會長出比較深的決策樹，產生過擬合。因此LightGBM會在Leaf-wise之上增加了一個最大深度的限制，在保證高效率的同時防止過擬合。
圖：按葉子生長的決策樹
2.3 單邊梯度採樣算法
Gradient-based One-Side Sampling 應該被翻譯為單邊梯度採樣（GOSS）。GOSS算法從減少樣本的角度出發，排除大部分小梯度的樣本，僅用剩下的樣本計算信息增益，它是一種在減少數據量和保證精度上平衡的算法。
AdaBoost中，樣本權重是數據重要性的指標。然而在GBDT中沒有原始樣本權重，不能應用權重採樣。幸運的是，我們觀察到GBDT中每個數據都有不同的梯度值，對採樣十分有用。即梯度小的樣本，訓練誤差也比較小，說明數據已經被模型學習得很好了，直接想法就是丟掉這部分梯度小的數據。然而這樣做會改變數據的分佈，將會影響訓練模型的精確度，為了避免此問題，提出了GOSS算法。
GOSS是一個樣本的採樣算法，目的是丟棄一些對計算信息增益沒有幫助的樣本留下有幫助的。根據計算信息增益的定義，梯度大的樣本對信息增益有更大的影響。因此，GOSS在進行數據採樣的時候只保留了梯度較大的數據，但是如果直接將所有梯度較小的數據都丟棄掉勢必會影響數據的總體分佈。所以，GOSS首先將要進行分裂的特徵的所有取值按照絕對值大小降序排序（XGBoost一樣也進行了排序，但是LightGBM不用保存排序後的結果），選取絕對值最大的 個數據。然後在剩下的較小梯度數據中隨機選擇 個數據。接著將這 個數據乘以一個常數 ，這樣算法就會更關注訓練不足的樣本，而不會過多改變原數據集的分佈。最後使用這 個數據來計算信息增益。下圖是GOSS的具體算法。
圖：單邊梯度採樣算法
2.4 互斥特徵捆綁算法
高維度的數據往往是稀疏的，這種稀疏性啟發我們設計一種無損的方法來減少特徵的維度。通常被捆綁的特徵都是互斥的（即特徵不會同時為非零值，像one-hot），這樣兩個特徵捆綁起來才不會丟失信息。如果兩個特徵並不是完全互斥（部分情況下兩個特徵都是非零值），可以用一個指標對特徵不互斥程度進行衡量，稱之為衝突比率，當這個值較小時，我們可以選擇把不完全互斥的兩個特徵捆綁，而不影響最後的精度。互斥特徵捆綁算法（Exclusive Feature Bundling, EFB）指出如果將一些特徵進行融合綁定，則可以降低特徵數量。這樣在構建直方圖時的時間複雜度從 變為 ，這裡 指特徵融合綁定後特徵包的個數，且 遠小於 。
針對這種想法，我們會遇到兩個問題：
- 怎麼判定哪些特徵應該綁在一起（build bundled）？
- 怎麼把特徵綁為一個（merge feature）？
（1）解決哪些特徵應該綁在一起
將相互獨立的特徵進行綁定是一個 NP-Hard 問題，LightGBM的EFB算法將這個問題轉化為圖著色的問題來求解，將所有的特徵視為圖的各個頂點，將不是相互獨立的特徵用一條邊連接起來，邊的權重就是兩個相連接的特徵的總衝突值，這樣需要綁定的特徵就是在圖著色問題中要塗上同一種顏色的那些點（特徵）。此外，我們注意到通常有很多特徵，儘管不是％相互排斥，但也很少同時取非零值。如果我們的算法可以允許一小部分的衝突，我們可以得到更少的特徵包，進一步提高計算效率。經過簡單的計算，隨機汙染小部分特徵值將影響精度最多 ， 是每個綁定中的最大沖突比率，當其相對較小時，能夠完成精度和效率之間的平衡。具體步驟可以總結如下：
- 構造一個加權無向圖，頂點是特徵，邊有權重，其權重與兩個特徵間衝突相關；
- 根據節點的度進行降序排序，度越大，與其它特徵的衝突越大；
- 遍歷每個特徵，將它分配給現有特徵包，或者新建一個特徵包，使得總體衝突最小。
算法允許兩兩特徵並不完全互斥來增加特徵捆綁的數量，通過設置最大沖突比率 來平衡算法的精度和效率。EFB 算法的偽代碼如下所示：
圖：貪心綁定算法
算法3的時間複雜度是 ，訓練之前只處理一次，其時間複雜度在特徵不是特別多的情況下是可以接受的，但難以應對百萬維度的特徵。為了繼續提高效率，LightGBM提出了一種更加高效的無圖的排序策略：將特徵按照非零值個數排序，這和使用圖節點的度排序相似，因為更多的非零值通常會導致衝突，新算法在算法3基礎上改變了排序策略。
（2）解決怎麼把特徵綁為一捆
特徵合併算法，其關鍵在於原始特徵能從合併的特徵中分離出來。綁定幾個特徵在同一個bundle裡需要保證綁定前的原始特徵的值可以在bundle中識別，考慮到histogram-based算法將連續的值保存為離散的bins，我們可以使得不同特徵的值分到bundle中的不同bin（箱子）中，這可以通過在特徵值中加一個偏置常量來解決。比如，我們在bundle中綁定了兩個特徵A和B，A特徵的原始取值為區間 ，B特徵的原始取值為區間，我們可以在B特徵的取值上加一個偏置常量，將其取值範圍變為，綁定後的特徵取值範圍為 ，這樣就可以放心的融合特徵A和B了。具體的特徵合併算法如下所示：
圖：特徵合併算法
3. LightGBM的工程優化
我們將論文《Lightgbm: A highly efficient gradient boosting decision tree》中沒有提到的優化方案，而在其相關論文《A communication-efficient parallel algorithm for decision tree》中提到的優化方案，放到本節作為LightGBM的工程優化來向大家介紹。
3.1 直接支持類別特徵
實際上大多數機器學習工具都無法直接支持類別特徵，一般需要把類別特徵，通過 one-hot 編碼，轉化到多維的特徵，降低了空間和時間的效率。但我們知道對於決策樹來說並不推薦使用 one-hot 編碼，尤其當類別特徵中類別個數很多的情況下，會存在以下問題：
- 會產生樣本切分不平衡問題，導致切分增益非常小（即浪費了這個特徵）。使用 one-hot編碼，意味著在每一個決策節點上只能使用one vs rest（例如是不是狗，是不是貓等）的切分方式。例如，動物類別切分後，會產生是否狗，是否貓等一系列特徵，這一系列特徵上只有少量樣本為 ，大量樣本為 ，這時候切分樣本會產生不平衡，這意味著切分增益也會很小。較小的那個切分樣本集，它佔總樣本的比例太小，無論增益多大，乘以該比例之後幾乎可以忽略；較大的那個拆分樣本集，它幾乎就是原始的樣本集，增益幾乎為零。比較直觀的理解就是不平衡的切分和不切分沒有區別。
- 會影響決策樹的學習。因為就算可以對這個類別特徵進行切分，獨熱編碼也會把數據切分到很多零散的小空間上，如下圖左邊所示。而決策樹學習時利用的是統計信息，在這些數據量小的空間上，統計信息不準確，學習效果會變差。但如果使用下圖右邊的切分方法，數據會被切分到兩個比較大的空間，進一步的學習也會更好。下圖右邊葉子節點的含義是或者放到左孩子，其餘放到右孩子。
圖：左圖為基於 one-hot 編碼進行分裂，右圖為 LightGBM 基於 many-vs-many 進行分裂
而類別特徵的使用在實踐中是很常見的。且為了解決one-hot編碼處理類別特徵的不足，LightGBM優化了對類別特徵的支持，可以直接輸入類別特徵，不需要額外的展開。LightGBM採用 many-vs-many 的切分方式將類別特徵分為兩個子集，實現類別特徵的最優切分。假設某維特徵有 個類別，則有 種可能，時間複雜度為 ，LightGBM 基於 Fisher的《On Grouping For Maximum Homogeneity》論文實現了 的時間複雜度。
算法流程如下圖所示，在枚舉分割點之前，先把直方圖按照每個類別對應的label均值進行排序；然後按照排序的結果依次枚舉最優分割點。從下圖可以看到， 為類別的均值。當然，這個方法很容易過擬合，所以LightGBM裡面還增加了很多對於這個方法的約束和正則化。
圖：LightGBM求解類別特徵的最優切分算法
在Expo數據集上的實驗結果表明，相比展開的方法，使用LightGBM支持的類別特徵可以使訓練速度加速倍，並且精度一致。更重要的是，LightGBM是第一個直接支持類別特徵的GBDT工具。
3.2 支持高效並行
（1）特徵並行
特徵並行的主要思想是不同機器在不同的特徵集合上分別尋找最優的分割點，然後在機器間同步最優的分割點。XGBoost使用的就是這種特徵並行方法。這種特徵並行方法有個很大的缺點：就是對數據進行垂直劃分，每臺機器所含數據不同，然後使用不同機器找到不同特徵的最優分裂點，劃分結果需要通過通信告知每臺機器，增加了額外的複雜度。
LightGBM 則不進行數據垂直劃分，而是在每臺機器上保存全部訓練數據，在得到最佳劃分方案後可在本地執行劃分而減少了不必要的通信。具體過程如下圖所示。
圖：特徵並行
（2）數據並行
傳統的數據並行策略主要為水平劃分數據，讓不同的機器先在本地構造直方圖，然後進行全局的合併，最後在合併的直方圖上面尋找最優分割點。這種數據劃分有一個很大的缺點：通訊開銷過大。如果使用點對點通信，一臺機器的通訊開銷大約為 ；如果使用集成的通信，則通訊開銷為 。
LightGBM在數據並行中使用分散規約 (Reduce scatter) 把直方圖合併的任務分攤到不同的機器，降低通信和計算，並利用直方圖做差，進一步減少了一半的通信量。具體過程如下圖所示。
圖：數據並行
（3）投票並行
基於投票的數據並行則進一步優化數據並行中的通信代價，使通信代價變成常數級別。在數據量很大的時候，使用投票並行的方式只合並部分特徵的直方圖從而達到降低通信量的目的，可以得到非常好的加速效果。具體過程如下圖所示。
大致步驟為兩步：
- 本地找出 Top K 特徵，並基於投票篩選出可能是最優分割點的特徵；
- 合併時只合並每個機器選出來的特徵。
圖：投票並行
3.3 Cache命中率優化
XGBoost對cache優化不友好，如下圖所示。在預排序後，特徵對梯度的訪問是一種隨機訪問，並且不同的特徵訪問的順序不一樣，無法對cache進行優化。同時，在每一層長樹的時候，需要隨機訪問一個行索引到葉子索引的數組，並且不同特徵訪問的順序也不一樣，也會造成較大的cache miss。為了解決緩存命中率低的問題，XGBoost 提出了緩存訪問算法進行改進。
圖：隨機訪問會造成cache miss
而 LightGBM 所使用直方圖算法對 Cache 天生友好：
- 首先，所有的特徵都採用相同的方式獲得梯度（區別於XGBoost的不同特徵通過不同的索引獲得梯度），只需要對梯度進行排序並可實現連續訪問，大大提高了緩存命中率；
- 其次，因為不需要存儲行索引到葉子索引的數組，降低了存儲消耗，而且也不存在 Cache Miss的問題。
圖：LightGBM增加緩存命中率
4. LightGBM的優缺點
4.1 優點
這部分主要總結下 LightGBM 相對於 XGBoost 的優點，從內存和速度兩方面進行介紹。
（1）速度更快
- LightGBM 採用了直方圖算法將遍歷樣本轉變為遍歷直方圖，極大的降低了時間複雜度；
- LightGBM 在訓練過程中採用單邊梯度算法過濾掉梯度小的樣本，減少了大量的計算；
- LightGBM 採用了基於 Leaf-wise 算法的增長策略構建樹，減少了很多不必要的計算量；
- LightGBM 採用優化後的特徵並行、數據並行方法加速計算，當數據量非常大的時候還可以採用投票並行的策略；
- LightGBM 對緩存也進行了優化，增加了緩存命中率；
（2）內存更小
- XGBoost使用預排序後需要記錄特徵值及其對應樣本的統計值的索引，而 LightGBM 使用了直方圖算法將特徵值轉變為 bin 值，且不需要記錄特徵到樣本的索引，將空間複雜度從 降低為 ，極大的減少了內存消耗；
- LightGBM 採用了直方圖算法將存儲特徵值轉變為存儲 bin 值，降低了內存消耗；
- LightGBM 在訓練過程中採用互斥特徵捆綁算法減少了特徵數量，降低了內存消耗。
4.2 缺點
- 可能會長出比較深的決策樹，產生過擬合。因此LightGBM在Leaf-wise之上增加了一個最大深度限制，在保證高效率的同時防止過擬合；
- Boosting族是迭代算法，每一次迭代都根據上一次迭代的預測結果對樣本進行權重調整，所以隨著迭代不斷進行，誤差會越來越小，模型的偏差（bias）會不斷降低。由於LightGBM是基於偏差的算法，所以會對噪點較為敏感；
- 在尋找最優解時，依據的是最優切分變量，沒有將最優解是全部特徵的綜合這一理念考慮進去；
5. LightGBM實例
本篇文章所有數據集和代碼均在我的GitHub中，地址：https://github.com/Microstrong0305/WeChat-zhihu-csdnblog-code/tree/master/Ensemble%20Learning/LightGBM
5.1 安裝LightGBM依賴包
<code>pip install lightgbmbr/<code>
5.2 LightGBM分類和迴歸
LightGBM有兩大類接口：LightGBM原生接口 和 scikit-learn接口 ，並且LightGBM能夠實現分類和迴歸兩種任務。
（1）基於LightGBM原生接口的分類
<code>import lightgbm as lgb
from sklearn import datasets
from sklearn.model_selection import train_test_split
import numpy as np
from sklearn.metrics import roc_auc_score, accuracy_score
# 加載數據
iris = datasets.load_iris()
# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3)
# 轉換為Dataset數據格式
train_data = lgb.Dataset(X_train, label=y_train)
validation_data = lgb.Dataset(X_test, label=y_test)
# 參數
params = { 'learning_rate': 0.1, 'lambda_l1': 0.1, 'lambda_l2': 0.2,
'max_depth': 4, 'objective': 'multiclass',
'num_class': 3,}
# 模型訓練
gbm = lgb.train(params, train_data, valid_sets=[validation_data])
# 模型預測
y_pred = gbm.predict(X_test)
y_pred = [list(x).index(max(x)) for x in y_pred]
print(y_pred)
# 模型評估
print(accuracy_score(y_test, y_pred))/<code>
（2）基於Scikit-learn接口的分類
<code>from lightgbm import LGBMClassifier
from sklearn.metrics import accuracy_score
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.externals import joblib
# 加載數據
iris = load_iris()
data = iris.data
target = iris.target
# 劃分訓練數據和測試數據
X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2)
# 模型訓練
gbm = LGBMClassifier(num_leaves=31, learning_rate=0.05, n_estimators=20)
gbm.fit(X_train, y_train, eval_set=[(X_test, y_test)], early_stopping_rounds=5)
# 模型存儲
joblib.dump(gbm, 'loan_model.pkl')
# 模型加載
gbm = joblib.load('loan_model.pkl')
# 模型預測
y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration_)
# 模型評估
print('The accuracy of prediction is:', accuracy_score(y_test, y_pred))
# 特徵重要度
print('Feature importances:', list(gbm.feature_importances_))
# 網格搜索，參數優化
estimator = LGBMClassifier(num_leaves=31)
param_grid = { 'learning_rate': [0.01, 0.1, 1], 'n_estimators': [20, 40]}
gbm = GridSearchCV(estimator, param_grid)gbm.fit(X_train, y_train)
print('Best parameters found by grid search are:', gbm.best_params_)/<code>
（3）基於LightGBM原生接口的迴歸
對於LightGBM解決迴歸問題，我們用Kaggle比賽中迴歸問題：House Prices: Advanced Regression Techniques，地址：https://www.kaggle.com/c/house-prices-advanced-regression-techniques 來進行實例講解。
該房價預測的訓練數據集中一共有列，第一列是Id，最後一列是label，中間列是特徵。這列特徵中，有列是分類型變量，列是整數變量，列是浮點型變量。訓練數據集中存在缺失值。
<code>import pandas as pd
from sklearn.model_selection import train_test_split
import lightgbm as lgbfrom sklearn.metrics import mean_absolute_error
from sklearn.preprocessing import Imputer
# 1.讀文件
data = pd.read_csv('./dataset/train.csv')
# 2.切分數據輸入：特徵 輸出：預測目標變量
y = data.SalePriceX = data.drop(['SalePrice'], axis=1).select_dtypes(exclude=['object'])
# 3.切分訓練集、測試集,切分比例7.5 : 2.5
train_X, test_X, train_y, test_y = train_test_split(X.values, y.values, test_size=0.25)
# 4.空值處理，默認方法：使用特徵列的平均值進行填充
my_imputer = Imputer()
train_X = my_imputer.fit_transform(train_X)
test_X = my_imputer.transform(test_X)
# 5.轉換為Dataset數據格式
lgb_train = lgb.Dataset(train_X, train_y)
lgb_eval = lgb.Dataset(test_X, test_y, reference=lgb_train)
# 6.參數
params = { 'task': 'train', 'boosting_type': 'gbdt',
# 設置提升類型
'objective': 'regression',
# 目標函數
'metric': {'l2', 'auc'},
# 評估函數
'num_leaves': 31,
# 葉子節點數
'learning_rate': 0.05,
# 學習速率
'feature_fraction': 0.9,
# 建樹的特徵選擇比例
'bagging_fraction': 0.8,
# 建樹的樣本採樣比例
'bagging_freq': 5,
# k 意味著每 k 次迭代執行bagging
'verbose': 1
# <0 顯示致命的, =0 顯示錯誤 (警告), >0 顯示信息}
# 7.調用LightGBM模型，使用訓練集數據進行訓練（擬合）
# Add verbosity=2 to print messages while running boosting
my_model = lgb.train(params, lgb_train, num_boost_round=20, valid_sets=lgb_eval,
early_stopping_rounds=5)
# 8.使用模型對測試集數據進行預測
predictions = my_model.predict(test_X, num_iteration=my_model.best_iteration)
# 9.對模型的預測結果進行評判（平均絕對誤差）
print("Mean Absolute Error : " + str(mean_absolute_error(predictions, test_y)))
/<code>
（4）基於Scikit-learn接口的迴歸
<code>import pandas as pd
from sklearn.model_selection import train_test_split
import lightgbm as lgb
from sklearn.metrics import mean_absolute_error
from sklearn.preprocessing import Imputer
# 1.讀文件
data = pd.read_csv('./dataset/train.csv')
# 2.切分數據輸入：特徵 輸出：預測目標變量
y = data.SalePriceX = data.drop(['SalePrice'], axis=1).select_dtypes(exclude=['object'])
# 3.切分訓練集、測試集,切分比例7.5 : 2.5
train_X, test_X, train_y, test_y = train_test_split(X.values, y.values, test_size=0.25)
# 4.空值處理，默認方法：使用特徵列的平均值進行填充
my_imputer = Imputer()
train_X = my_imputer.fit_transform(train_X)
test_X = my_imputer.transform(test_X)
# 5.調用LightGBM模型，使用訓練集數據進行訓練（擬合）
# Add verbosity=2 to print messages while running boosting
my_model = lgb.LGBMRegressor(objective='regression', num_leaves=31,
learning_rate=0.05, n_estimators=20,
verbosity=2)my_model.fit(train_X, train_y, verbose=False)
# 6.使用模型對測試集數據進行預測
predictions = my_model.predict(test_X)
# 7.對模型的預測結果進行評判（平均絕對誤差）
print("Mean Absolute Error : " + str(mean_absolute_error(predictions, test_y)))/<code>
5.3 LightGBM調參
在上一部分中，LightGBM模型的參數有一部分進行了簡單的設置，但大都使用了模型的默認參數，但默認參數並不是最好的。要想讓LightGBM表現的更好，需要對LightGBM模型進行參數微調。下圖展示的是迴歸模型需要調節的參數，分類模型需要調節的參數與此類似。
圖：LightGBM迴歸模型調參
6. 關於LightGBM若干問題的思考
6.1 LightGBM與XGBoost的聯繫和區別有哪些？
（1）LightGBM使用了基於histogram的決策樹算法，這一點不同於XGBoost中的貪心算法和近似算法，histogram算法在內存和計算代價上都有不小優勢。1）內存上優勢：很明顯，直方圖算法的內存消耗為 (因為對特徵分桶後只需保存特徵離散化之後的值)，而XGBoost的貪心算法內存消耗為： ，因為XGBoost既要保存原始feature的值，也要保存這個值的順序索引，這些值需要位的浮點數來保存。2）計算上的優勢：預排序算法在選擇好分裂特徵計算分裂收益時需要遍歷所有樣本的特徵值，時間為，而直方圖算法只需要遍歷桶就行了，時間為。
（2）XGBoost採用的是level-wise的分裂策略，而LightGBM採用了leaf-wise的策略，區別是XGBoost對每一層所有節點做無差別分裂，可能有些節點的增益非常小，對結果影響不大，但是XGBoost也進行了分裂，帶來了不必要的開銷。leaft-wise的做法是在當前所有葉子節點中選擇分裂收益最大的節點進行分裂，如此遞歸進行，很明顯leaf-wise這種做法容易過擬合，因為容易陷入比較高的深度中，因此需要對最大深度做限制，從而避免過擬合。
（3）XGBoost在每一層都動態構建直方圖，因為XGBoost的直方圖算法不是針對某個特定的特徵，而是所有特徵共享一個直方圖(每個樣本的權重是二階導)，所以每一層都要重新構建直方圖，而LightGBM中對每個特徵都有一個直方圖，所以構建一次直方圖就夠了。
（4）LightGBM使用直方圖做差加速，一個子節點的直方圖可以通過父節點的直方圖減去兄弟節點的直方圖得到，從而加速計算。
（5）LightGBM支持類別特徵，不需要進行獨熱編碼處理。
（6）LightGBM優化了特徵並行和數據並行算法，除此之外還添加了投票並行方案。
（7）LightGBM採用基於梯度的單邊採樣來減少訓練樣本並保持數據分佈不變，減少模型因數據分佈發生變化而造成的模型精度下降。
（8）特徵捆綁轉化為圖著色問題，減少特徵數量。
閱讀更多 洛鴻0920 的文章
