lightgbm调参

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 324平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

转载最新推荐文章于 2026-03-24 00:18:10 发布 324 阅读 AI 写同款· GEO 优化 ›

xgboost & lightgbm 调参指南本文重点阐述了xgboost和lightgbm的主要参数和调参技巧，其理论部分可见集成学习,以下内容主要来自xgboost和LightGBM的官方文档。 xgboost Xgboost参数主要分为三大类： General Parameters（通用参数）：设置整体功能 Booster Parameters（提升参数）：选择你每一步的booster(树or回归） Learning Task Parameters（学习任务参数）：指导优化任务的执行 General Parameters（通用参数） ... 阅读详情

调参传送门

收录于

机器学习

当前文章被收录于：

机器学习

10 篇文章 5 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#lightgbm #调参

原文链接：https://blog.youkuaiyun.com/u012735708/article/details/83749703>

lightGBM 调参文章目录1. 概述1.lgb.cv函数使用方法(1)参数(2)param需要填写的参数2.GridSearchCV调参第一步：学习率和迭代次数第二步：确定max_depth和num_leave第三步：确定min_data_in_leaf和max_bin in第四步：确定feature_fraction、bagging_fraction、bagging_freq第五步：确定lambda_l1和lambda_l2第六步：确定 min_split_gain第七步：降低学习率，增加迭代次数，验证模型3.LightG 阅读详情

相关推荐

LightGBM 如何调参

本文结构：什么是 LightGBM 怎么调参和 xgboost 的代码比较 1. 什么是 LightGBM Light GBM is a gradient boosting framework that uses tree based learning algorithm. LightGBM 垂直地生长树，即 leaf-wise，它会选择最大 delta loss 的叶...

aliceyangxi1987的博客 1万+

LightGBM原理及调参

最近的比赛使用LightGBM的越来越多，而且LightGBM效果确实挺好的，但是每次使用时看到一堆参数就头疼，所以做了一下总结。一、LightGBM介绍 LightGBM 是微软开发的一款快速、分布式、高性能的基于决策树的梯度 Boosting 框架。主要有以下优势：更快的训练效率低内存使用更好的准确率支持并行学习可处理大规模数据二、lightGBM优化 2.1、l...

qq_35679464的博客 4472

LightGBM 调参

文章目录一、LightGBM简介二、LightGBM原理2.1 直方图算法2.2 LightGBM的直方图做差加速2.3 带深度限制的Leaf-wise的叶子生长策略3.4 直接支持类别特征（即不需要做one-hot编码）3.5 直接支持高效并行三、梯度提升的方法3.1 梯度提升决策树（GBDT）3.2 DART 梯度提升3.3 lgbm goss 基于梯度的单边采样四、参数解释五、调参步骤5.1 原生实例5.2 sklearn接口实例一、LightGBM简介 LightGBM是一个梯度Boost

weixin_50304531的博客 3513

【ML】了解 LightGBM 参数（以及如何调整）

我已经使用一段时间了。这是我解决大多数结构化数据问题的首选算法。列表很长，如果您还没有，我建议您看一下。但我一直很想了解哪些参数对性能影响最大，以及我应该如何调整 lightGBM 参数以充分利用它。我想我应该做一些研究，更多地了解 lightGBM 参数……并分享我的旅程。具体我：深入研究查看了自己做了一些实验在这样做的过程中，我获得了更多关于 lightGBM 参数的知识。

sikh_0529的博客 5903

LightGBM 训练及调参

LightGBM是微软开源的一个快速的，分布式的，高性能的基于决策树算法的梯度提升算法，对比于XGBoost算法来说准确率在大部分情况下相较无几，但是在收敛速度，内存占用情况下相较于XGBoost来说较为优秀。详细的算法原理可见LightGBM官方文档。在已经有了训练值和label的情况下可以创建lightgbm进行训练了,这里我是先对数据集进行划分得到了X_train,X_test, y_tr...

weixin_44696221的博客 7510

Lightgbm调参经验

一周前开始接触Lightgbm，关于它的原理和主要思想很多地方都有，这里就不再赘述。这篇博文是我在参加天池数据挖掘比赛时的Lightgbm调参经验总结，希望对后续的工作有帮助。 1. 数据特征选择除了数据集中的基本数据特征外，很多时候还需要从基本数据特征中通过统计或组合获得新的特征，这时候获得的新特征与原来的基本数据特征之间存在着相关性。新特征可能作为基本特征的补充更好地划分数据集，可能与原...

ysheng 8598

LightGBM

1. 直方图：数据特征存储减少（1Byte表示256个桶), 扫描速度加快（Data个-->K个桶); 误差也许是好事儿，降低过拟合；避免了对所有数据所有特征的预排序； 2.Leaf-wise的叶子生长策略：Layer-wise会浪费计算资源，有些节点不必分裂；这里限制最大深度限制最小样本数限制最小增益； 3. 父节点直方图-左儿子直方图==>右儿子直方图 4.直接支持类别特...

smartcat2010的博客 806

lightgbm原理和调参参考资料汇总

Lightgbm 总的来说，看完论文Lightgbm提高速度主要就是‘压缩数据的数量和维度’，降低训练数据的量，其中goss降低了数据数量，efb降低了数据的维度，基于Histogram的算法加快了扫描数据的速度，基于leaf-wise的树的生成，在同等所有节点上找到信息增益最大的进行分裂，对于一些信息增益小的节点就不分裂，这样做减少开销。 Lightgbm 的四个特点：一、 Gradi...

聊伟的博客 1万+

LightGBM调参

GBDT模型的另一个进化版本：LightGBM。LigthGBM是boosting集合模型中的新进成员，由微软提供，它和XGBoost一样是对GBDT的高效实现，原理上它和GBDT及XGBoost类似，都采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树。 LightGBM在很多方面会比XGBoost表现的更为优秀。它有以下优势：更快的训练效率低内存使用更高的准确率 ...

lyy的博客 1万+

LightGBM原理和调参

在进行调参之前应该做好特征工程，确定特征后，更加数据规模和几个模型尝试的结果初步敲定这几个参数，然后使用或来调整max_depthnum_leavessubsamplereg_alphareg_lambda。其中重点要调节max_depth和num_leaves，并注意两者的关系，其次subsample和在[0-1000]之间去进行粗略的调整下即可，reg_alpha和reg_lambda在[0,1000]范围调整，最后比较好的模型这两个参数值不应过大，尤其是reg_alpha，过大需要查看特征。

一蓑烟雨任平生 2126

ML之lightgbm：LightGBM参数手册、调参技巧/调参顺序/网格搜索实现、lightgbm.train/LGBMClassifier/LGBMRegressor函数简介及其案例应用之详细攻略

ML之lightgbm：LightGBM参数手册、调参技巧/调参顺序/网格搜索实现、lightgbm.train/LGBMClassifier/LGBMRegressor函数简介及其案例应用之详细攻略目录 lightgbm库的调参技巧 LightGBM参数手册 lightgbm.train函数的参数解释 LGBMClassifier()函数的简介 LGBMRegressor()函数的简介 lightgbm库的调参技巧 1、经验技巧 (1)

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀 3万+

lightgbm调参_贝叶斯调参

贝叶斯调参贝叶斯调参的主要思想是：给定优化的目标函数(广义的函数，只需指定输入和输出即可，无需知道内部结构以及数学性质)，通过不断地添加样本点来更新目标函数的后验分布(高斯过程,直到后验分布基本贴合于真实分布）。简单的说，就是考虑了上一次参数的信息，从而更好的调整当前的参数。调参步骤定义优化函数def rf_cv_lgb(num_leaves, max_depth, bagging_fractio...

weixin_35950531的博客 1298

LightGBM的调参技巧？

作者：禅与计算机程序设计艺术 1.简介随着机器学习模型复杂度的提升、数据量的增加、计算性能的提高等一系列因素的影响，传统的机器学习方法逐渐束缚了模型在实际生产中的应用。近年来，深度神经网络（DNN）、卷积神经网络（CNN）及其变体等神经网络结构的出现，在图像识别、自然语言处理、推荐系统等领域都取得了突

AI天才研究院 725

LightGBM快速调参实战

在机器学习工程实践中，模型调参常被视为“黑箱艺术”——耗时、低效且依赖经验。据2025年机器学习工程调研报告，数据科学家平均将35%的项目时间消耗在参数调优上，而LightGBM作为高效梯度提升框架，其参数空间的复杂性（如、、的多维交互）进一步放大了这一痛点。然而，随着自动化机器学习（AutoML）工具的成熟，快速调参已从理想变为可落地的生产力工具。本文将突破传统“试错法”，通过参数空间压缩、智能搜索策略和硬件感知优化，构建一套可复用的快速调参框架，为工业级应用提供即时价值。传统调参方法（如网格搜索）在Li

jie_kou的博客 999

PromptBio实战：如何用AI对话搞定转录组数据分析（附详细操作截图）

本文详细介绍了如何利用PromptBio平台通过AI对话完成转录组数据分析，无需编程基础即可实现从数据上传到结果解读的全流程。文章包含详细的操作截图和参数配置建议，帮助科研人员快速掌握这一生信分析工具，显著提升研究效率。

weixin_30872157的博客 132

红外热成像仪原理及应用

目录什么是红外热成像背景介绍热成像技术原理热成像分类红外热成像和夜视仪之间的区别红外热像仪夜视仪红外照明相机对比红外热像仪都能看透什么如何选择制冷型和非制冷型红外热像仪制冷型红外热像仪非制冷型红外热像仪实例对比成像速度空间分辨率灵敏度光谱滤波同步何如选择合适的红外热像仪像素测温范围和被测物温度分辨率空间分辨率温度稳定性热像仪的距离系数比常见热成像仪关键参数量程视场角 (FOV)红外分辨率热灵敏度（NETD）焦距光谱范围精度内置优化分析NTED（热灵敏度）什么是NETD如何测量NETD？NETD如何影响测量？

zhy295006359的博客 2万+

GBDT（sklearn/lightgbm）调参小结

GBDT（sklearn/lightgbm）调参小结原理参数选择特征重要度

简之的通向技术之路 2万+

Matlab实战：用DQN算法让机器人学会自主避障（附完整代码）

本文详细介绍了如何使用Matlab实现DQN（深度Q网络）算法，使机器人在复杂环境中学会自主避障。通过环境建模、网络架构设计、奖励函数优化及实战调试，提供了完整的代码实现和训练策略，帮助开发者快速应用于机器人路径规划项目。

t8u9v0w1x的博客 232

LightGBM调参笔记

1. 概述在竞赛题中，我们知道XGBoost算法非常热门，是很多的比赛的大杀器，但是在使用过程中，其训练耗时很长，内存占用比较大。在2017年年1月微软在GitHub的上开源了LightGBM。该算法在不降低准确率的前提下，速度提升了10倍左右，占用内存下降了3倍左右。LightGBM是个快速的，分布式的，高性能的基于决策树算法的梯度提升算法。可用于排序，分类，回归以及很多其他的机器学习任务中。其详细的原理及操作内容详见：LightGBM 中文文档。本文主要讲解LightGBM的两种调参方法。下

lizz2276的博客 1044

目前最新NIST随机数测试软件下载、安装、及使用教程

最近由于科研需要，在搞一些随机数的测试的事情，众所周知随机数测试我们可以使用NIST的软件进行多大15项的随机测试，我也在网上查找了很多大牛的博客，但是都是年代久远，很多的链接现在都是物是人非，都是不能直接使用了，今天顺便抽点时间更新一下这个NIST软件的下载及使用。我们首先讲一下该软件的下载：1.我们直接取NIST的官网（https://csrc.nist.gov/）下载即可；链接如下：下载...

Miracle.Zhao的博客 3万+

3.5.3以太网ETH TC8-PMA物理层测试

英文原版-OA_Automotive_Ethernet_ECU_TestSpecification_Layer_1_100BASE-T1_v3.0.pdf。PMA测试时各个测试项目所进入的测试模式不同，如TX_01对应测试模式1；TX_04对应测试模式5；例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。TX_07对应测试模式5；物理层测试主要分为两部分：IOP测试(包括链接时间，信号质量，线路诊断)，PMA测试。

qq_28664971的博客 7689

上一篇： AI数据集的切分及交叉验证

下一篇： C++普通数组转vector

LightGBM 如何调参

aliceyangxi1987的博客

06-16

1万+