模型融合---LightGBM调参总结

1. 参数速查

• 使用num_leaves，因为LightGBM使用的是leaf-wise的算法，因此在调节树的复杂程度时，使用的是num_leaves而不是max_depth。
• 大致换算关系：num_leaves = 2^(max_depth)。它的值的设置应该小于2^(max_depth)，否则可能会导致过拟合。
• 对于非平衡数据集：可以param['is_unbalance']='true’
• Bagging参数：bagging_fraction+bagging_freq（必须同时设置）、feature_fraction。bagging_fraction可以使bagging的更快的运行出结果，feature_fraction设置在每次迭代中使用特征的比例。
• min_data_in_leaf：这也是一个比较重要的参数，调大它的值可以防止过拟合，它的值通常设置的比较大。
• max_bin:调小max_bin的值可以提高模型训练速度，调大它的值和调大num_leaves起到的效果类似。

 

 

2. 回归

3. 分类

先举个例子：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

from sklearn.model_selection import train_test_split, StratifiedKFold import lightgbm as lgb   # reg_alpha:L1正则,reg_lambda:L2正则 clf = lgb.LGBMClassifier(         boosting_type = 'gbdt', num_leaves = 64, reg_alpha = 5, reg_lambda = 5,         n_estimators = 4053, objective = 'binary',         subsample = 0.7, colsample_bytree = 0.7, subsample_freq = 1,         learning_rate = 0.05, random_state = 8012, n_jobs = -1)       clf.fit(train_data, labels, eval_set = [(train_data, labels)], verbose = 50)   test_result = clf.predict_proba(test_data) test_data = all_data[all_data.label == -1].drop('label', axis = 1).reset_index(drop = True) test_data['label'] = test_result[:, 1] test_data['label'] = test_data.label.apply(lambda x:1 if x >= 0.36 else 0)

　　

 

参考文献：

【1】LightGBM参数介绍