LightGBM
v4.5.0
LightGBM هو إطار عمل لتعزيز التدرج يستخدم خوارزميات التعلم القائمة على الشجرة. وقد تم تصميمه ليتم توزيعه وفعاليته مع المزايا التالية:
لمزيد من التفاصيل، يرجى الرجوع إلى الميزات.
ومن خلال الاستفادة من هذه المزايا، يتم استخدام LightGBM على نطاق واسع في العديد من الحلول الفائزة في مسابقات التعلم الآلي.
تُظهر تجارب المقارنة على مجموعات البيانات العامة أن LightGBM يمكنه التفوق على أطر التعزيز الحالية من حيث الكفاءة والدقة، مع استهلاك أقل بكثير للذاكرة. علاوة على ذلك، تُظهر تجارب التعلم الموزعة أن LightGBM يمكنه تحقيق تسريع خطي باستخدام أجهزة متعددة للتدريب في إعدادات محددة.
وثائقنا الأساسية موجودة على https://lightgbm.readthedocs.io/ ويتم إنشاؤها من هذا المستودع. إذا كنت مستخدمًا جديدًا لـ LightGBM، فاتبع تعليمات التثبيت الموجودة على ذلك الموقع.
التالي قد ترغب في قراءة:
توثيق للمساهمين:
يرجى الرجوع إلى سجلات التغيير في صفحة إصدارات GitHub.
تقدم المشاريع المدرجة هنا طرقًا بديلة لاستخدام LightGBM. ولا تتم صيانتها أو اعتمادها رسميًا من قبل فريق تطوير LightGBM .
JPMML (محول Java PMML): https://github.com/jpmml/jpmml-lightgbm
نيوكا (محول بايثون PMML): https://github.com/SoftwareAG/nyoka
Treelite (مترجم نموذجي للنشر الفعال): https://github.com/dmlc/treelite
lleaves (مترجم نموذج قائم على LLVM للاستدلال الفعال): https://github.com/siboehm/lleaves
الطائر الطنان (مترجم النموذج في حسابات الموتر): https://github.com/microsoft/hummingbird
مكتبة استدلال غابة cuML (الاستدلال المتسارع بواسطة وحدة معالجة الرسومات): https://github.com/rapidsai/cuml
daal4py (استدلال Intel المسرع لوحدة المعالجة المركزية): https://github.com/intel/scikit-learn-intelex/tree/master/daal4py
m2cgen (نماذج التطبيقات لمختلف اللغات): https://github.com/BayesWitnesses/m2cgen
الأوراق (مطبق نموذج Go): https://github.com/dmitryikh/leaves
ONNXMLTools (محول ONNX): https://github.com/onnx/onnxmltools
SHAP (شرح مخرجات النموذج): https://github.com/slundberg/shap
شاباش (تصور النموذج وتفسيره): https://github.com/MAIF/shapash
dtreeviz (تصور شجرة القرار وتفسير النموذج): https://github.com/parrt/dtreeviz
supertree (التصور التفاعلي لأشجار القرار): https://github.com/mljar/supertree
SynapseML (LightGBM على Spark): https://github.com/microsoft/SynapseML
هدية Kubeflow (LightGBM على Kubernetes): https://github.com/kubeflow/fairing
مشغل Kubeflow (LightGBM على Kubernetes): https://github.com/kubeflow/xgboost-operator
lightgbm_ray (LightGBM على راي): https://github.com/ray-project/lightgbm_ray
المريخ (LightGBM على المريخ): https://github.com/mars-project/mars
ML.NET (.NET/C#-package): https://github.com/dotnet/machinelearning
LightGBM.NET (.NET/C#-package): https://github.com/rca22/LightGBM.Net
LightGBM Ruby (روبي جوهرة): https://github.com/ankane/lightgbm-ruby
LightGBM4j (ربط جافا عالي المستوى): https://github.com/metarank/lightgbm4j
LightGBM4J (واجهة JVM لـ LightGBM مكتوبة بلغة Scala): https://github.com/seek-oss/lightgbm4j
حزمة جوليا: https://github.com/IQVIA-ML/LightGBM.jl
lightgbm3 (ربط الصدأ): https://github.com/Mottl/lightgbm3-rs
MLServer (خادم الاستدلال لـ LightGBM): https://github.com/SeldonIO/MLServer
MLflow (تتبع التجربة، إطار مراقبة النموذج): https://github.com/mlflow/mlflow
FLAML (مكتبة AutoML لتحسين المعلمات الفائقة): https://github.com/microsoft/FLAML
MLJAR AutoML (AutoML على البيانات الجدولية): https://github.com/mljar/mljar-supervised
Optuna (إطار عمل تحسين المعلمة التشعبية): https://github.com/optuna/optuna
LightGBMLSS (النمذجة الاحتمالية باستخدام LightGBM): https://github.com/StatMixedML/LightGBMLSS
mlforecast (التنبؤ بالسلاسل الزمنية باستخدام LightGBM): https://github.com/Nixtla/mlforecast
skforecast (التنبؤ بالسلاسل الزمنية باستخدام LightGBM): https://github.com/JoaquinAmatRodrigo/skforecast
{bonsai} (واجهة متوافقة مع R {parsnip} ): https://github.com/tidymodels/bonsai
{mlr3extralearners} (R {mlr3} -واجهة متوافقة): https://github.com/mlr-org/mlr3extralearners
تحويل Lightgbm (ربط تحويل الميزات): https://github.com/microsoft/lightgbm-transform
postgresml (تدريب LightGBM والتنبؤ به في SQL، عبر ملحق Postgres): https://github.com/postgresml/postgresml
pyodide (تشغيل حزمة lightgbm Python في متصفح الويب): https://github.com/pyodide/pyodide
vaex-ml (مكتبة Python DataFrame مع واجهتها الخاصة لـ LightGBM): https://github.com/vaexio/vaex
lightgbm ، ونحن نراقب ذلك للأسئلة الجديدة.تحقق من صفحة المساهمة.
اعتمد هذا المشروع قواعد السلوك الخاصة بشركة Microsoft مفتوحة المصدر. لمزيد من المعلومات، راجع الأسئلة الشائعة حول قواعد السلوك أو اتصل بـ [email protected] لطرح أي أسئلة أو تعليقات إضافية.
يو شي، جولين كي، تشومينغ تشين، شوشين تشنغ، تاي يان ليو. “التدريب الكمي لأشجار القرار المعززة للتدرج” (حلقة الوصل). التقدم في أنظمة معالجة المعلومات العصبية 35 (NeurIPS 2022)، الصفحات من 18822 إلى 18833.
جولين كي، تشي منغ، توماس فينلي، تايفنغ وانغ، وي تشين، ويدونغ ما، تشيوي يي، تاي يان ليو. “LightGBM: شجرة قرار ذات كفاءة عالية لتعزيز التدرج”. التقدم في أنظمة معالجة المعلومات العصبية 30 (NIPS 2017)، الصفحات من 3149 إلى 3157.
تشي منغ، جولين كي، تايفنغ وانغ، وي تشين، كيوي يي، تشي مينغ ما، تاي يان ليو. “خوارزمية موازية فعالة للاتصالات لشجرة القرار”. التقدم في أنظمة معالجة المعلومات العصبية 29 (NIPS 2016)، الصفحات من 1279 إلى 1287.
هوان تشانغ، سي سي، وتشو جوي هسيه. “تسريع وحدة معالجة الرسومات لتعزيز الأشجار على نطاق واسع”. مؤتمر SysML، 2018.
هذا المشروع مرخص بموجب شروط ترخيص MIT. راجع الترخيص للحصول على تفاصيل إضافية.
