lightgbm调参

最新推荐文章于 2025-10-04 09:52:34 发布
转载 最新推荐文章于 2025-10-04 09:52:34 发布 · 299 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/u012735708/article/details/83749703
文章标签：

#lightgbm #调参

博客提供了LightGBM调参的相关传送门，可帮助获取调参相关信息，聚焦于信息技术领域中LightGBM模型的参数调整。
lightGBM 调参
weixin_44953928的博客
03-11 7434
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
LightGBM--调参笔记
weixin_42727538的博客
06-17 701
LightGBM调参以及在多种情况下需要调的参数
LightGBM
smartcat2010的博客
12-26 708
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...
LightGBM调参技巧揭秘：如何用5步实现精准高效调优
最新发布
CodeNexus的博客
10-04 767
掌握LightGBM调参技巧，5步实现模型精准高效优化。适用于分类与回归任务，涵盖学习率、树深度等关键参数调节方法，提升训练速度与预测精度。实战经验总结，值得收藏。
LightGBM调参
weixin_41917143的博客
12-01 3135
针对 leaf-wise 树的参数优化： num_leaves：控制了叶节点的数目。它是控制树模型复杂度的主要参数。 如果是level-wise，则该参数为2{depth}其中depth为树的深度。但是当叶子数量相同时，leaf-wise的树要远远深过level-wise树，非常容易导致过拟合。因此应该让num_leaves小于2{depth}。在leaf-wise树中，并不存在depth的概念。因为不存在一个从leaves到depth的合理映射。 min_data_in_leaf：每个叶节点的最少样本数量
LightGBM 调参
weixin_50304531的博客
12-08 3276
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
lightgbm 保存模型 过大_LightGBM 调参方法（具体操作）
weixin_39709367的博客
12-20 675
鄙人调参新手，最近用lightGBM有点猛，无奈在各大博客之间找不到具体的调参方法，于是将自己的调参notebook打印成markdown出来，希望可以跟大家互相学习。其实，对于基于决策树的模型，调参的方法都是大同小异。一般都需要如下步骤：首先选择较高的学习率，大概0.1附近，这样是为了加快收敛的速度。这对于调参是很有必要的。对决策树基本参数调参正则化参数调参最后降低学习率，这里是为了最后提高准确...
lightGBM调参顺序--配合培训内容，陆续更新中
lizz2276的博客
11-06 2607
LightGBM超参数调优，看这篇就够了-技术圈 按经验预先固定的参数 learning_rate n_estimators min_split_gain min_child_sample min_child_weight 需要算法调节的参数 max_depth num_leaves subsample colsample_bytree reg_alpha reg_lambda 1.learnin
lightgbm.LightGBMClassifier调参总结Parameters Tuning
Lao男孩的博客
03-11 2261
LightGBM 是一个流行的梯度提升框架，它使用的是叶子优先（leaf-wise）的树增长算法，而许多其他流行的工具使用的是深度优先（depth-wise）的树增长算法。与深度优先增长相比，叶子优先算法可以更快地收敛。然而，如果不配合适当的参数使用，叶子优先增长可能会导致过拟合。：这是控制树模型复杂度的主要参数。理论上，我们可以设置 num_leaves = 2^(max_depth) 来获取与深度优先树相同数量的叶子。然而，这种简单的转换在实践中并不理想。
LightGBM 如何调参
weixin_44116269的博客
11-27 1916
本文结构： 什么是 LightGBM 怎么调参 和 xgboost 的代码比较
lightgbm算法
11-03
具体讲解lightgbm算法，直方图加速，预排序思想，等等
LightGBM原理及调参
qq_35679464的博客
12-24 4393
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...
LightGBM、XGBoost参数调优，调参经验 ，参数介绍
Learning
09-07 1399
LightGBM、XGBoost参数调优，调参经验 ，参数介绍。
LightGBM参数优化
2302_80204334的博客
12-24 2253
LightGBM 的调参需要结合业务场景和数据特点，通常从基础参数入手，逐步优化正则化、采样和学习率等参数。通过合理利用早停和自动化搜索工具（如网格搜索、贝叶斯优化），可以高效找到最优参数组合。同时，特征工程和模型评估方法也是影响调参效果的重要因素。
LightGBM调参笔记
热门推荐
浅笑古今的博客
11-05 6万+
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...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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