《机器学习Python实现_10_15_集成学习_lightgbm_进一步优化》

lightgbm是继xgboost之后的又一大杀器，它训练速度快，且精度高，下面就其主要创新点做介绍，本文主要参考自>>>

一.单边梯度采样算法

GOSS(Gradient-based One-Side Sampling)是一种样本采样方法，它基于梯度的绝对值对样本进行采样，主要包含如下几个步骤：

（1）对梯度的绝对值进行降序排序，选择前\(a*100\%\)个样本；

（2）从剩下的小梯度数据中随机选择\(b*100\%\)个样本，为了不破坏原始数据的分布特性，对这\(b*100\%\)个样本权重扩大\(\frac{1-a}{b}\)倍（代价敏感学习）

（3）将这\((a+b)*100\%\)个样本用作为下一颗树的训练

算法流程如下：

二.互斥特征捆绑算法

EFB(Exclusive Feature Bundling)可以粗略的理解为one-hot的逆过程，我们可以将这个过程拆解为两步：

（1）第一步，需要寻找那些特征进行捆绑，理想情况下所选择的几个特征，每行只有一个非0值，但现实数据可能没有那么离线，lgb用了一种允许一定误差的图着色算法求解：

（2）第二步，便是合并这些特征，如果直接合并其实是有问题的，比如下面第一张图片，因为第一列特征的取值1和第二列特征的取值1其实具有不同含义，所以lgb的做法是对每一列加上一个bias，这个bias为前面所有特征列的max取值之和，如下面第二张图例所示：

算法流程如下，但有一点需要注意是，计算特征的切分点是在各自的range内计算的，如上图，虽然合并后为一列特征，但需要分别在[1,2],[3,4],[5,8]这三个区间内分别计算一个切分点

三.类别特征优化

类别特征，特别是高基类别特征的处理一直很棘手，比如日期，id等特征，如果按照常规方法对其作one-hot展开，在训练决策树时会切分出很多不平衡的结点来（比如左节点样本数远大于右节点），这本质是一种one-vs-rest的切分方法，收益很低，决策树还容易过拟合，而lgb提出了使用many-vs-many的方法对类别特征进行划分，这样既能平衡左右节点的训练样本量，又能一定程度上避免过拟合，示例如下（图中决策判断条件如果为True则走左分支，否则走右边）：

当然，如果暴力搜索时间复杂度会有些高，假如某类别特征有\(k\)种取值的可能，那么共有如下的\(2^{k-1}-1\)种搜索结果，时间复杂度为\(O(2^k)\)：

\[C_k^1+C_k^2+\cdots+C_k^{k//2}=2^{k-1}-1 \]

lgb基于《On Grouping For Maximum Homogeneity》实现了时间复杂度为\(O(klogk)\)的求法