科研之友
微信
新浪微博
Facebook
分享链接
摘要
梯度提升树（GBDT）在每次操作时都会将所有训练数据加载到内存中，这会浪费大量空间并限制训练数据的大小。基于此，本文首先介绍LightGBM提出的动机，其次介绍实现LightGBM的算法，即GOSS算法（基于梯度的单边采样）和EFB算法（互斥特征捆绑），然后例举了在Python语言中使用Light GBM模型对3个二分类数据集分别进行分类预测的应用，计算出模型的相关评估指标以及在3个数据集中的运行时长和所占用的内存，并与Ada Boost、GBDT、XGBoost3个集成算法进行对比，最后总结了LightGBM模型的优点（计算速度快、占用内存小）和缺点（对噪声点比较敏感等）。
-
单位贵州财经大学
