12天summer----高级算法梳理-LightGBM算法梳理

本文介绍了LightGBM,一个基于决策树的梯度Boosting框架,其优势包括快速训练、低内存使用和高准确性,并支持并行学习。LightGBM通过直方图算法、类别特征支持、存储优化和深度限制的节点展开方法提高性能,对比XGBoost有显著优势。文章还提供了一个使用鸢尾花数据集的案例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、LightGBM简介

  LightGBM是一个梯度Boosting框架,使用基于决策树的学习算法。它可以说是分布式的,高效的,有以下优势:

  1)更快的训练效率  2)低内存使用  3)更高的准确率 4)支持并行化学习 5)可以处理大规模数据

 

 Xgboost的缺点 1)每轮迭代时,都需要遍历整个训练数据多次。如果把整个训练数据装进内存则会限制训练数据的大小;如果不装进内存,反复地读写训练数据又会消耗非常大的时间。 2)预排序方法的时间和空间的消耗都很大。

参考https://www.cnblogs.com/jiangxinyang/p/9337094.html 

 2、LightGBM原理

参考https://blog.youkuaiyun.com/huacha__/article/details/81057150

  1)直方图算法

  直方图算法的基本思想是先把连续的浮点特征值离散化成kk个整数,同时构造一个宽度为kk的直方图。在遍历数据的时候,根据离散化后的值作为索引在直方图中累积统计量,当遍历一次数据后,直方图累积了需要的统计量,然后根据直方图的离散值,遍历寻找最优的分割点。在XGBoost中需要遍历所有离散化的值,而在这里只要遍历kk个直方图的值。

 2) 支持类别特征

&nbs

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值