LightGBM - LightGBM

LightGBM
Logo LightGBM černý text.svg
Původní autořiGuolin Ke[1] / Microsoft Research
VývojářiMicrosoft a přispěvatelé LightGBM[2]
První vydání2016; Před 4 lety (2016)
Stabilní uvolnění
v3.1.0[3] / 16. listopadu 2020; Před 16 dny (2020-11-16)
Úložištěgithub.com/ Microsoft/ LightGBM
NapsánoC ++, Krajta, R, C
Operační systémOkna, Operační Systém Mac, Linux
TypStrojové učení, Zvyšování gradientu rámec
LicenceLicence MIT
webová stránkalightgbm.readthedocs.io

LightGBM, zkratka pro Light Gradient Boosting Machine, je a bezplatný a otevřený zdroj distribuováno zvýšení gradientu rámec pro strojové učení původně vyvinut Microsoft.[4][5] Je to založeno na rozhodovací strom algoritmy a používané pro hodnocení, klasifikace a další úkoly strojového učení. Vývoj se zaměřuje na výkon a škálovatelnost.

Přehled

Rámec LightGBM podporuje různé algoritmy včetně GBT, GBDT, GBRT, GBM, MART[6][7] a RF.[8] LightGBM má mnoho z XGBoost Výhody, včetně řídké optimalizace, paralelního tréninku, funkcí více ztrát, regularizace, pytlování a předčasného zastavení. Hlavní rozdíl mezi nimi spočívá ve stavbě stromů. LightGBM neroste stromově po řádcích - jako většina ostatních implementací.[9] Místo toho roste stromy listově. Vybírá list, o kterém se domnívá, že přinese největší pokles ztráty.[10] Kromě toho LightGBM nepoužívá široce používaný algoritmus učení rozhodovacího stromu seřazený na základě, který prohledává nejlepší bod rozdělení na hodnotách seřazených prvků,[11] tak jako XGBoost nebo jiné implementace ano. Místo toho LightGBM implementuje vysoce optimalizovaný algoritmus učení rozhodovacího stromu založený na histogramu, který přináší velké výhody jak v efektivitě, tak ve spotřebě paměti. [12]

LightGBM funguje Linux, Okna, a Operační Systém Mac a podporuje C ++, Krajta,[13] R, a C#.[14] Zdrojový kód podléhá licenci pod Licence MIT a k dispozici na GitHub.[15]

Viz také

Reference

  1. ^ „Guolin Ke“.
  2. ^ „Microsoft / LightGBM“. GitHub.
  3. ^ „Vydání · Microsoft / LightGBM“. GitHub.
  4. ^ Brownlee, Jason (31. března 2020). „Posílení přechodu pomocí Scikit-Learn, XGBoost, LightGBM a CatBoost“.
  5. ^ Kopitar, Leon; Kocbek, Primoz; Cilar, Leona; Šejk, Aziz; Stiglic, Gregor (20. července 2020). „Včasné odhalení diabetes mellitus 2. typu pomocí predikčních modelů založených na strojovém učení“. Vědecké zprávy. 10 (1): 11981. doi:10.1038 / s41598-020-68771-z - přes www.nature.com.
  6. ^ „Porozumění parametrům LightGBM (a jak je vyladit)“. neptun.ai. 6. května 2020.
  7. ^ „Přehled LightGBM“. avanwyk. 16. května 2018.
  8. ^ „Parametry - dokumentace LightGBM 3.0.0.99“. lightgbm.readthedocs.io.
  9. ^ Gradient Boosters IV: LightGBM - hluboký a mělký
  10. ^ XGBoost, LightGBM a další oblíbené soutěže Kaggle | autor: Andre Ye | Září, 2020 | Směrem k datové vědě
  11. ^ Manish, Mehta; Rakesh, Agrawal; Jorma, Rissanen (24. listopadu 2020). „SLIQ: Rychlý škálovatelný klasifikátor pro dolování dat“. Mezinárodní konference o rozšíření databázové technologie.
  12. ^ „Funkce - dokumentace LightGBM 3.1.0.99“. lightgbm.readthedocs.io.
  13. ^ "lightgbm: LightGBM Python Package" - přes PyPI.
  14. ^ „Jmenný prostor Microsoft.ML.Trainers.LightGbm“. docs.microsoft.com.
  15. ^ „Microsoft / LightGBM“. 6. října 2020 - přes GitHub.

Další čtení

externí odkazy