python 使用 lgb

原创

mob649e81563816 2024-09-30 03:51:57 ©著作权

©著作权归作者所有：来自51CTO博客作者mob649e81563816的原创作品，请联系作者获取转载授权，否则将追究法律责任

Python 使用 LightGBM(LGB) 的入门指南

在机器学习的领域，LightGBM（Light Gradient Boosting Machine）因其高效和精准的特性备受推崇。对刚入行的小白开发者来说，掌握如何在 Python 中使用 LGB 是一个重要的步骤。本文将通过一个结构化的流程来教会你如何使用 LightGBM，包括环境搭建、数据准备、模型训练和预测。

流程概览

为了让你更好的理解整个过程，下面是实现 LightGBM 的主要步骤：

步骤	描述
1. 环境准备	安装所需的Python库
2. 数据准备	准备特征和标签数据
3. 划分数据	划分训练集和测试集
4. 模型训练	使用LGB模型进行训练
5. 模型预测	在测试集上进行预测
6. 评估结果	评估模型的表现

序列图

sequenceDiagram
    participant A as 用户
    participant B as Python 环境
    participant C as LGB 模型

    A->>B: 安装 LightGBM 库
    A->>B: 准备数据集
    A->>B: 划分训练集和测试集
    B->>C: 训练 LGB 模型
    C-->>B: 返回训练结果
    A->>C: 进行预测
    C-->>A: 返回预测结果
    A->>B: 评估模型结果

旅行图

journey
    title 用户使用 LightGBM 的旅程
    section 环境准备
      用户安装LightGBM库: 5: 用户
      用户检查安装成功: 3: 用户
    section 数据准备
      用户准备数据集: 4: 用户
      用户划分训练集和测试集: 4: 用户
    section 模型训练与预测
      用户训练LGB模型: 5: 用户
      用户在测试集上进行预测: 4: 用户
    section 评估结果
      用户评估模型结果: 5: 用户

步骤详解

接下来，我们将逐步展开每一个步骤，并提供相应的 Python 代码。

1. 环境准备

首先，你需要准备 Python 环境并安装 LightGBM。这可以使用 pip 来完成。

pip install lightgbm

这一行代码的意思是：使用 pip 安装 LightGBM 库。

2. 数据准备

在使用 LightGBM 之前，你需要准备好要使用的数据。假设你已经有一个 CSV 文件，其中包含特征和标签。

import pandas as pd

# 读取数据集
data = pd.read_csv('data.csv')

# 查看数据集的前几行
print(data.head())

这部分代码读取 CSV 文件中的数据，并显示前几行供你检查。

3. 划分数据

接下来，你需要将数据集划分为训练集和测试集。你可以使用 train_test_split 函数来完成这一步。

from sklearn.model_selection import train_test_split

# 假设 'label' 是目标变量
X = data.drop('label', axis=1)
y = data['label']

# 划分数据集，70% 作为训练集，30% 作为测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

X 为特征数据，y 为标签数据。
train_test_split 函数将数据集按比例划分。

4. 模型训练

现在你可以使用 LightGBM 训练模型了。

import lightgbm as lgb

# 创建并训练模型
lgb_model = lgb.LGBMClassifier()
lgb_model.fit(X_train, y_train)

上面的代码初始化一个 LightGBM 分类器，并用训练集进行训练。

5. 模型预测

训练结束后，你可以在测试集上进行预测。

# 进行预测
y_pred = lgb_model.predict(X_test)

这一行代码使用模型对测试集进行预测，并将结果保存在 y_pred 中。

6. 评估结果

最后，你需要评估模型的表现，通常使用准确率、F1值等指标。

from sklearn.metrics import accuracy_score, f1_score

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'准确率: {accuracy}')

# 计算 F1 值
f1 = f1_score(y_test, y_pred, average='weighted')
print(f'F1 值: {f1}')