在python語言中lightgbm提供了兩種呼叫方式，分為為原生的api和scikit-learn api，兩種方式都可以完成訓練和驗證。當然原生的api更加靈活，看個人習慣來進行選擇。
1.直接import lightgbm as lgt 和import xgboost as xgb
這種方式在做訓練的時候需要把資料轉換成模型所能處理的格式，剛入手的人容易犯錯
lightgbm為dataset格式：
lgb_train = lgb.dataset(train_x, train_y, free_raw_data=false)
lgb_eval = lgb.dataset(test_x, test_y, reference=lgb_train,free_raw_data=false)
bst=lgb.cv(param,lgb_train, num_boost_round=1000, nfold=6, early_stopping_rounds=100)
xgboost為dmatrix格式
dtrain = xgb.dmatrix( train_x, label=train_y)
dtest = xgb.dmatrix( test_x, label=test_y)
bst = xgb.train( params, dtrain, num_round )
estimators = lgb.train(param,lgb_train,num_boost_round=len(bst[『auc-mean』]))
2.利用和sklearn類似包處理，較簡潔，與其他sklearn一樣的使用方法
如xgboost
clf = xgb.xgbclassifier(params)
clf.fit(x_train, y_train, early_stopping_rounds=10, eval_metric=「auc」,
eval_set=[(x_test, y_test)])
如lightgbm
estimator=lgb.lgbmregressor(n_estimators=100,boosting_type=『gbdt』, objective=『regression』)
estimator.fit(train_x, train_y)
MacOS編譯和安裝lightgbm
通過brew安裝cmake brew install cmake 安裝 gcc brew install gcc 當前版本是10.2.0 這樣之後brew會查詢最新的gcc版本進行安裝，安裝過程中要仔細觀察安裝的gcc版本，接下來會用到，很重要，如果沒注意安裝過程並且不小心關掉了終端的話可以到這個路...
LightGBM模型引入和原理介紹
如何減少資料量 常用的減少訓練資料量的方式是down sample。例如在 5 中，權重小於閾值的資料會被過濾掉，sgb在每一輪迭代中用隨機的子集訓練弱學習器 在 6 中，取樣率會在訓練過程中動態調整。但是，所有這些工作除了sgb外都是基於adaboost的，並且由於gbdt沒有資料例項的權重，所以...
機器學習 LightGBM
lightgbm light gradient boosting machine 是乙個基於決策樹演算法的快速的 分布式的 高效能 gradient boosting gbdt gbrt gbm 或 mart 框架，可被用於排行 分類以及其他許多機器學習任務中。gbdt 雖然是個強力的模型，但卻有著...