Python中LightGBM的示例分析

这篇文章主要介绍python中LightGBM的示例分析，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

一、Introduction

LightGBM是扩展机器学习系统。是一款基于GBDT（梯度提升决策树）算法的分布梯度提升框架。其设计思路主要集中在减少数据对内存与计算性能的使用上，以及减少多机器并行计算时的通讯代价

1 LightGBM的优点

• 简单易用。提供了主流的Python\c++\R语言接口，用户可以轻松使用LightGBM建模并获得相当不错的效果。

• 高效可扩展。在处理大规模数据集时高效迅速、高准确度，对内存等硬件资源要求不高。

• 鲁棒性强。相较于深度学习模型不需要精细调参便能取得近似的效果。

• LightGBM直接支持缺失值与类别特征，无需对数据额外进行特殊处理

2 LightGBM的缺点

• 相对于深度学习模型无法对时空位置建模，不能很好地捕获图像、语音、文本等高维数据。

• 在拥有海量训练数据，并能找到合适的深度学习模型时，深度学习的精度可以遥遥领先LightGBM。

二、实现过程

1 数据集介绍

英雄联盟数据集 提取码：1234

本数据用于LightGBM分类实战。该数据集共有9881场英雄联盟韩服钻石段位以上的排位赛数据，数据提供了在十分钟时的游戏状态，包括击杀数，金币数量，经验值，等级等信息。

2 coding

#导入基本库import numpy as np import pandas as pd## 绘图函数库import matplotlib.pyplot as pltimport seaborn as sns#%%　数据读入：利用Pandas自带的read_csv函数读取并转化为DataFrame格式df = pd.read_csv('D:\Python\ML\data\high_diamond_ranked_10min.csv')y = df.blueWins#%%查看样本数据#print(y.value_counts())#标注特征列drop_cols=['gameId','blueWins']x=df.drop(drop_cols,axis=1)#对数字特征进行统计描述x_des=x.describe()

#%%去除冗余数据，因为红蓝为竞争关系，只需知道一方的情况，对方相反因此去除红方的数据信息drop_cols = ['redFirstBlood','redKills','redDeaths'             ,'redGoldDiff','redExperienceDiff', 'blueCSPerMin',            'blueGoldPerMin','redCSPerMin','redGoldPerMin']x.drop(drop_cols, axis=1, inplace=True)#%%可视化描述。为了有一个好的呈现方式，分两张小提琴图展示前九个特征和中间九个特征，后面的相同不再赘述data = xdata_std = (data - data.mean()) / data.std()data = pd.concat([y, data_std.iloc[:, 0:9]], axis=1)#将标签与前九列拼接此时的到的data是（9879*10）的metricdata = pd.melt(data, id_vars='blueWins', var_name='Features', value_name='Values')#将上面的数据melt成（88911*3）的metricfig, ax = plt.subplots(1,2,figsize=(15,8))# 绘制小提琴图sns.violinplot(x='Features', y='Values', hue='blueWins', data=data, split=True,               inner='quart', ax=ax[0], palette='Blues')fig.autofmt_xdate(rotation=45)#改变x轴坐标的现实方法，可以斜着表示（倾斜45度），不用平着挤成一堆data = xdata_std = (data - data.mean()) / data.std()data = pd.concat([y, data_std.iloc[:, 9:18]], axis=1)data = pd.melt(data, id_vars='blueWins', var_name='Features', value_name='Values')# 绘制小提琴图sns.violinplot(x='Features', y='Values', hue='blueWins',                data=data, split=True, inner='quart', ax=ax[1], palette='Blues')fig.autofmt_xdate(rotation=45)plt.show()

#%%画出各个特征之间的相关性热力图fig,ax=plt.subplots(figsize=(15,18))sns.heatmap(round(x.corr(),2),cmap='Blues',annot=True)fig.autofmt_xdate(rotation=45)plt.show()

#%%根据上述特征图，剔除相关性较强的冗余特征（redAvgLevel，blueAvgLevel）# 去除冗余特征drop_cols = ['redAvgLevel','blueAvgLevel']x.drop(drop_cols, axis=1, inplace=True)sns.set(style='whitegrid', palette='muted')# 构造两个新特征x['wardsPlacedDiff'] = x['blueWardsPlaced'] - x['redWardsPlaced']x['wardsDestroyedDiff'] = x['blueWardsDestroyed'] - x['redWardsDestroyed']data = x[['blueWardsPlaced','blueWardsDestroyed','wardsPlacedDiff','wardsDestroyedDiff']].sample(1000)data_std = (data - data.mean()) / data.std()data = pd.concat([y, data_std], axis=1)data = pd.melt(data, id_vars='blueWins', var_name='Features', value_name='Values')plt.figure(figsize=(15,8))sns.swarmplot(x='Features', y='Values', hue='blueWins', data=data)plt.show()

#%%由上图插眼数量的离散图，可以发现插眼数量与游戏胜负之间的显著规律，游戏前十分钟插眼与否对最终的胜负影响不大，故将这些特征去除## 去除和眼位相关的特征drop_cols = ['blueWardsPlaced','blueWardsDestroyed','wardsPlacedDiff',            'wardsDestroyedDiff','redWardsPlaced','redWardsDestroyed']x.drop(drop_cols, axis=1, inplace=True)#%%击杀、死亡与助攻数的数据分布差别不大，但是击杀减去死亡、助攻减去死亡的分布与缘分不差别较大，构造两个新的特征x['killsDiff'] = x['blueKills'] - x['blueDeaths']x['assistsDiff'] = x['blueAssists'] - x['redAssists']x[['blueKills','blueDeaths','blueAssists','killsDiff','assistsDiff','redAssists']].hist(figsize=(15,8), bins=20)plt.show()

#%%data = x[['blueKills','blueDeaths','blueAssists','killsDiff','assistsDiff','redAssists']].sample(1000)data_std = (data - data.mean()) / data.std()data = pd.concat([y, data_std], axis=1)data = pd.melt(data, id_vars='blueWins', var_name='Features', value_name='Values')plt.figure(figsize=(10,6))sns.swarmplot(x='Features', y='Values', hue='blueWins', data=data)plt.xticks(rotation=45)plt.show()

#%%data = pd.concat([y, x], axis=1).sample(500)sns.pairplot(data, vars=['blueKills','blueDeaths','blueAssists','killsDiff','assistsDiff','redAssists'],              hue='blueWins')plt.show()

#%%一些特征两两组合后对于数据的划分有提升x['dragonsDiff'] = x['blueDragons'] - x['redDragons']#拿到龙x['heraldsDiff'] = x['blueHeralds'] - x['redHeralds']#拿到峡谷先锋x['eliteDiff'] = x['blueEliteMonsters'] - x['redEliteMonsters']#击杀大型野怪data = pd.concat([y, x], axis=1)eliteGroup = data.groupby(['eliteDiff'])['blueWins'].mean()dragonGroup = data.groupby(['dragonsDiff'])['blueWins'].mean()heraldGroup = data.groupby(['heraldsDiff'])['blueWins'].mean()fig, ax = plt.subplots(1,3, figsize=(15,4))eliteGroup.plot(kind='bar', ax=ax[0])dragonGroup.plot(kind='bar', ax=ax[1])heraldGroup.plot(kind='bar', ax=ax[2])print(eliteGroup)print(dragonGroup)print(heraldGroup)plt.show()

#%%推塔数量与游戏胜负x['towerDiff'] = x['blueTowersDestroyed'] - x['redTowersDestroyed']data = pd.concat([y, x], axis=1)towerGroup = data.groupby(['towerDiff'])['blueWins']print(towerGroup.count())print(towerGroup.mean())fig, ax = plt.subplots(1,2,figsize=(15,5))towerGroup.mean().plot(kind='line', ax=ax[0])ax[0].set_title('Proportion of Blue Wins')ax[0].set_ylabel('Proportion')towerGroup.count().plot(kind='line', ax=ax[1])ax[1].set_title('Count of Towers Destroyed')ax[1].set_ylabel('Count')

#%%利用LightGBM进行训练和预测## 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。from sklearn.model_selection import train_test_split## 选择其类别为0和1的样本 （不包括类别为2的样本）data_target_part = ydata_features_part = x## 测试集大小为20%， 80%/20%分x_train, x_test, y_train, y_test = train_test_split(data_features_part, data_target_part, test_size = 0.2, random_state = 2020)#%%## 导入LightGBM模型from lightgbm.sklearn import LGBMClassifier## 定义 LightGBM 模型 clf = LGBMClassifier()# 在训练集上训练LightGBM模型clf.fit(x_train, y_train)#%%在训练集和测试集上分别利用训练好的模型进行预测train_predict = clf.predict(x_train)test_predict = clf.predict(x_test)from sklearn import metrics## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果print('The accuracy of the LightGBM is:',metrics.accuracy_score(y_train,train_predict))print('The accuracy of the LightGBM is:',metrics.accuracy_score(y_test,test_predict))## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)print('The confusion matrix result:\n',confusion_matrix_result)# 利用热力图对于结果进行可视化plt.figure(figsize=(8, 6))sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')plt.xlabel('Predicted labels')plt.ylabel('True labels')plt.show()

#%%利用lightgbm进行特征选择，同样可以用属性feature_importances_查看特征的重要度sns.barplot(y=data_features_part.columns, x=clf.feature_importances_)

#%%除feature_importances_外，还可以使用LightGBM中的其他属性进行评估(gain,split)from sklearn.metrics import accuracy_scorefrom lightgbm import plot_importancedef estimate(model,data):    ax1=plot_importance(model,importance_type="gain")    ax1.set_title('gain')    ax2=plot_importance(model, importance_type="split")    ax2.set_title('split')    plt.show()def classes(data,label,test):    model=LGBMClassifier()    model.fit(data,label)    ans=model.predict(test)    estimate(model, data)    return ans ans=classes(x_train,y_train,x_test)pre=accuracy_score(y_test, ans)print('acc=',accuracy_score(y_test,ans))

通过调整参数获得更好的效果: LightGBM中重要的参数

• learning_rate: 有时也叫作eta，系统默认值为0.3。每一步迭代的步长，很重要。太大了运行准确率不高，太小了运行速度慢。

• num_leaves：系统默认为32。这个参数控制每棵树中最大叶子节点数量。

• feature_fraction：系统默认值为1。我们一般设置成0.8左右。用来控制每棵随机采样的列数的占比(每一列是一个特征)。

• max_depth： 系统默认值为6，我们常用3-10之间的数字。这个值为树的最大深度。这个值是用来控制过拟合的。max_depth越大，模型学习的更加具体。

#%%调整参数，获得更好的效果## 从sklearn库中导入网格调参函数from sklearn.model_selection import GridSearchCV## 定义参数取值范围learning_rate = [0.1, 0.3, 0.6]feature_fraction = [0.5, 0.8, 1]num_leaves = [16, 32, 64]max_depth = [-1,3,5,8]parameters = { 'learning_rate': learning_rate,              'feature_fraction':feature_fraction,              'num_leaves': num_leaves,              'max_depth': max_depth}model = LGBMClassifier(n_estimators = 50)## 进行网格搜索clf = GridSearchCV(model, parameters, cv=3, scoring='accuracy',verbose=3, n_jobs=-1)clf = clf.fit(x_train, y_train)#%%查看最好的参数值分别是多少print(clf.best_params_)

#%%查看最好的参数值分别是多少print(clf.best_params_)#%% 在训练集和测试集上分布利用最好的模型参数进行预测## 定义带参数的 LightGBM模型 clf = LGBMClassifier(feature_fraction = 1,                    learning_rate = 0.1,                    max_depth= 3,                    num_leaves = 16)# 在训练集上训练LightGBM模型clf.fit(x_train, y_train)train_predict = clf.predict(x_train)test_predict = clf.predict(x_test)## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果print('The accuracy of the LightGBM is:',metrics.accuracy_score(y_train,train_predict))print('The accuracy of the LightGBM is:',metrics.accuracy_score(y_test,test_predict))## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)print('The confusion matrix result:\n',confusion_matrix_result)# 利用热力图对于结果进行可视化plt.figure(figsize=(8, 6))sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')plt.xlabel('Predicted labels')plt.ylabel('True labels')plt.show()

三、Keys

LightGBM的重要参数

基本参数调整

• num_leaves参数 这是控制树模型复杂度的主要参数，一般的我们会使num_leaves小于（2的max_depth次方），以防止过拟合。由于LightGBM是leaf-wise建树与XGBoost的depth-wise建树方法不同，num_leaves比depth有更大的作用。

• min_data_in_leaf 这是处理过拟合问题中一个非常重要的参数. 它的值取决于训练数据的样本个树和 num_leaves参数. 将其设置的较大可以避免生成一个过深的树, 但有可能导致欠拟合. 实际应用中, 对于大数据集, 设置其为几百或几千就足够了.

• max_depth 树的深度，depth 的概念在 leaf-wise 树中并没有多大作用, 因为并不存在一个从 leaves 到 depth 的合理映射

针对训练速度的参数调整

• 通过设置 bagging_fraction 和 bagging_freq 参数来使用 bagging 方法。

• 通过设置 feature_fraction 参数来使用特征的子抽样。

• 选择较小的 max_bin 参数。使用 save_binary 在未来的学习过程对数据加载进行加速。

针对准确率的参数调整

• 使用较大的 max_bin （学习速度可能变慢）

• 使用较小的 learning_rate 和较大的 num_iterations

• 使用较大的 num_leaves （可能导致过拟合）

• 使用更大的训练数据

• 尝试 dart 模式

针对过拟合的参数调整

• 使用较小的 max_bin

• 使用较小的 num_leaves

• 使用 min_data_in_leaf 和 min_sum_hessian_in_leaf

• 通过设置 bagging_fraction 和 bagging_freq 来使用 bagging

• 通过设置 feature_fraction 来使用特征子抽样

• 使用更大的训练数据

• 使用 lambda_l1, lambda_l2 和 min_gain_to_split 来使用正则

• 尝试 max_depth 来避免生成过深的树

以上是“Python中LightGBM的示例分析”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注编程网Python频道！