LightGBM 工程实践

LightGBM 是一种梯度提升树算法，可用于排序、分类和回归任务。本文由一系列 Jupyter Notebook 串成，介绍如何使用 LightGBM 训练二分类模型。本项目使用的数据集是 adult (・ω< )★

GitHub 项目地址：lightgbm-binary

🚀 本文亮点

• ✅ 使用 Optuna 做超参数寻优
• ✅ 使用 Treelite 做推理加速
• ✅ 使用 Graphviz 做决策树模型可视化
• ✅ 使用 scale_pos_weight 参数，解决样本不均衡问题
• ✅ 对标签概率生成标签的阈值寻优 (y_pred -> y)，详见 util.gen_threshold
• ✅ 编写自适应学习率衰减函数提高 AUC，详见 util.AdaptiveLearningRate
• ✅ 编写一站式评估函数，可一次性输出多种指标，包括 accuracy, precision, recall, f1_score, auc, cross-entropy loss, confusion matrix，详见 util.eval_binary

✨ 注意：以下代码运行时依赖 util.py 文件

一、数据可视化

1. 导入数据
2. 统计描述
   • describe() 方法
   • info() 方法
   • 统计各字段枚举值数量
   • 查看字段下所有枚举值
   • 查看空值个数
3. 可视化
   • 标号的值的比例
   • 小提琴图 (Violin Plot)

二、预处理与特征选择

1. 预处理
   • 标签编码
   • 更好的编码方式？
2. 初次训练
   • 使用 lgb.LGBMClassifier 进行训练
   • 使用原生 API 进行训练
3. 简单评估
4. 模型存储与导入
   • 模型存储
   • 模型导入
5. 特征选择
   • 计算特征的重要程度
   • 多次实验求均值

三、超参数微调

1. 简单的例子
2. 稍微复杂的例子：随机森林
   • 导入数据
   • one-hot 编码
   • 训练
   • 评估
   • 超参数微调
   • 使用微调后的超参数训练
3. LightGMB 超参数微调
   • 单次训练
   • 超参数寻优
   • 使用微调后的超参数训练
4. 学习率衰减
   • 指数衰减
   • 自适应衰减

四、训练与评估

1. 基础模型
2. N 折交叉验证
3. 超参寻优：N 折交叉验证
4. 使用微调后的超参数训练
5. 阈值选择 (y_pred -> y)
   • 使用 np.rint
   • 尝试：考虑原标号的分布
     • 训练标号的分布情况
     • 预测标号的概率密度函数 (PDF)
     • 预测标号的概率分布函数 (CDF)
     • 当 CDF = 训练数据 0 标号比例 时反推阈值
   • 使用 optuna 寻优
6. 评估
   • 混淆矩阵
   • 准确率
   • 精确率和召回率
   • f1 值
   • log_loss 交叉熵损失
   • ROC 曲线 与 AUC
   • 一站式评估函数

五、加速推理

1. 导入模型和数据
2. 使用 Treelite 加速推理
   • 推理速度
   • 推理准度
   • 通用函数

六、部署

1. 模型训练
2. 模型部署
   • 离线部署
   • 在线部署

七、模型可视化

1. 创建可交互的可视化界面
2. 将决策树存成 PNG / PDF

参考：

• LightGBM doc: Parameters
• Python-package Examples
• How To Use Optuna to Tune LightGBM Hyperparameters
• lightGBM实战
• Feature Selection and Data Visualization
• LightGBM Classifier in Python