LightGBMダウンロード - LightGBMソースコードのダウンロード

LightGBM

パイソン

v4.5.0

ダウンロード

光勾配ブースティングマシン

Python パッケージの GitHub アクションのビルドステータス R パッケージの GitHub アクションのビルドステータス CUDA バージョン GitHub アクションビルドステータス静的分析 GitHub アクションのビルドステータスリンクチェック

LightGBM は、ツリーベースの学習アルゴリズムを使用する勾配ブースティングフレームワークです。分散型かつ効率的に設計されており、次のような利点があります。

トレーニング速度が速くなり、効率が向上します。
メモリ使用量の削減。
精度が向上します。
並列、分散、GPU 学習のサポート。
大規模なデータを扱うことができます。

詳細については、「機能」を参照してください。

これらの利点の恩恵を受けて、LightGBM は機械学習コンテストの多くの優勝ソリューションで広く使用されています。

公開データセットでの比較実験では、LightGBM が効率と精度の両方で既存のブースティングフレームワークよりも優れ、メモリ消費量が大幅に少ないことがわかりました。さらに、分散学習実験では、特定の設定でのトレーニングに複数のマシンを使用することで、LightGBM が直線的な高速化を達成できることが示されています。

はじめにとドキュメント

私たちの主要なドキュメントは https://lightgbm.readthedocs.io/ にあり、このリポジトリから生成されます。 LightGBM を初めて使用する場合は、そのサイトのインストール手順に従ってください。

次に読んでみてはいかがでしょうか:

一般的なタスクのコマンドラインの使用法を示す例。
LightGBM でサポートされる機能とアルゴリズム。
パラメータは、実行できるカスタマイズの完全なリストです。
分散学習とGPU 学習により、計算を高速化できます。
FLAML は、 LightGBM の自動チューニングを提供します (コード例)。
Optuna ハイパーパラメータチューナーは、 LightGBM ハイパーパラメータの自動チューニングを提供します (コード例)。
LightGBM パラメーター (および Neptune を使用してパラメーターを調整する方法) を理解します。

貢献者向けのドキュメント:

readthedocs.io を更新する方法。
開発ガイドを確認してください。

ニュース

GitHub リリースページの変更ログを参照してください。

外部 (非公式) リポジトリ

ここにリストされているプロジェクトは、LightGBM を使用する別の方法を提供します。これらは、 LightGBM開発チームによって保守または正式に承認されていません。

JPMML (Java PMML コンバータ): https://github.com/jpmml/jpmml-lightgbm

Nyoka (Python PMML コンバーター): https://github.com/SoftwareAG/nyoka

Treelite (効率的なデプロイのためのモデルコンパイラー): https://github.com/dmlc/treelite

lleaves (効率的な推論のための LLVM ベースのモデルコンパイラー): https://github.com/siboehm/lleaves

Hummingbird (テンソル計算へのモデルコンパイラー): https://github.com/microsoft/hummingbird

cuML フォレスト推論ライブラリ (GPU アクセラレーション推論): https://github.com/rapidsai/cuml

daal4py (Intel CPU アクセラレーション推論): https://github.com/intel/scikit-learn-intelex/tree/master/daal4py

m2cgen (さまざまな言語のモデルアプライアンス): https://github.com/BayesWitnesses/m2cgen

Leaves (Go モデルアプライヤー): https://github.com/dmitryikh/leaves

ONNXMLTools (ONNX コンバーター): https://github.com/onnx/onnxmltools

SHAP (モデル出力の説明): https://github.com/slundberg/shap

Shapash (モデルの視覚化と解釈): https://github.com/MAIF/shapash

dtreeviz (デシジョンツリーの視覚化とモデルの解釈): https://github.com/parrt/dtreeviz

スーパーツリー (デシジョンツリーのインタラクティブな視覚化): https://github.com/mljar/supertree

SynapseML (Spark 上の LightGBM): https://github.com/microsoft/SynapseML

Kubeflow Fairing (Kubernetes 上の LightGBM): https://github.com/kubeflow/fairing

Kubeflow オペレーター (Kubernetes 上の LightGBM): https://github.com/kubeflow/xgboost-operator

lightgbm_ray (Ray 上の LightGBM): https://github.com/ray-project/lightgbm_ray

火星 (火星の LightGBM): https://github.com/mars-project/mars

ML.NET (.NET/C# パッケージ): https://github.com/dotnet/machinelearning

LightGBM.NET (.NET/C# パッケージ): https://github.com/rca22/LightGBM.Net

LightGBM Ruby (Ruby gem): https://github.com/ankane/lightgbm-ruby

LightGBM4j (Java 高レベルバインディング): https://github.com/metarank/lightgbm4j

LightGBM4J (Scala で書かれた LightGBM 用の JVM インターフェイス): https://github.com/seek-oss/lightgbm4j

Julia パッケージ: https://github.com/IQVIA-ML/LightGBM.jl

lightgbm3 (Rust バインディング): https://github.com/Mottl/lightgbm3-rs

MLServer (LightGBM の推論サーバー): https://github.com/SeldonIO/MLServer

MLflow (実験追跡、モデル監視フレームワーク): https://github.com/mlflow/mlflow

FLAML (ハイパーパラメータ最適化のための AutoML ライブラリ): https://github.com/microsoft/FLAML

MLJAR AutoML (表形式データの AutoML): https://github.com/mljar/mljar-supervised

Optuna (ハイパーパラメータ最適化フレームワーク): https://github.com/optuna/optuna

LightGBMLSS (LightGBM による確率モデリング): https://github.com/StatMixedML/LightGBMLSS

mlforecast (LightGBM を使用した時系列予測): https://github.com/Nixtla/mlforecast

skforecast (LightGBM を使用した時系列予測): https://github.com/JoaquinAmatRodrigo/skforecast

{bonsai} (R {parsnip}準拠のインターフェイス): https://github.com/tidymodels/bonsai

{mlr3extralearners} (R {mlr3}準拠のインターフェイス): https://github.com/mlr-org/mlr3extralearners

lightgbm-transform (フィーチャー変換バインディング): https://github.com/microsoft/lightgbm-transform

postgresml (Postgres 拡張機能を使用した SQL での LightGBM トレーニングと予測): https://github.com/postgresml/postgresml

pyodide (Web ブラウザでlightgbm Python パッケージを実行): https://github.com/pyodide/pyodide

vaex-ml (LightGBM への独自のインターフェイスを備えた Python DataFrame ライブラリ): https://github.com/vaexio/vaex

サポート

lightgbmタグを使用して Stack Overflow で質問してください。新しい質問がないか監視します。
GitHub の問題に関するバグレポートと機能リクエストをオープンします。

貢献方法

「貢献」ページを確認してください。

Microsoft オープンソース行動規範

このプロジェクトはマイクロソフトのオープンソース行動規範を採用しています。詳細については、「行動規範に関するよくある質問」を参照するか、追加の質問やコメントがあれば [email protected] までお問い合わせください。

参考文献

Yu Shi、Guolin Ke、Zhuoming Chen、Shuxin Zheng、Tie-Yan Liu。「勾配ブースティング決定木の量子化トレーニング」 (リンク)。神経情報処理システムの進歩 35 (NeurIPS 2022)、18822 ～ 18833 ページ。

Guolin Ke、Qi Meng、Thomas Finley、Taifeng Wang、Wei Chen、Weidong Ma、Qiwei Ye、Tie-Yan Liu。「LightGBM: 非常に効率的な勾配ブースティングデシジョンツリー」。神経情報処理システムの進歩 30 (生理研 2017)、3149-3157 ページ。

Qi Meng、Guolin Ke、Taifeng Wang、Wei Chen、Qiwei Ye、Zhi-Ming Ma、Tie-Yan Liu。「意思決定ツリーのための通信効率の高い並列アルゴリズム」。神経情報処理システムの進歩 29 (NIPS 2016)、1279-1287 ページ。

Huan Zhang、Si Si、Cho-Jui Hsieh。「大規模ツリーブースティングのための GPU アクセラレーション」。 SysML カンファレンス、2018 年。