LightGBM 다운로드 - LightGBM 소스 코드 다운로드

LightGBM

파이썬

v4.5.0

다운로드

라이트 그래디언트 부스팅 머신

Python 패키지 GitHub 작업 빌드 상태 R-패키지 GitHub Actions 빌드 상태 CUDA 버전 GitHub 작업 빌드 상태 정적 분석 GitHub 작업 빌드 상태 링크 확인

LightGBM은 트리 기반 학습 알고리즘을 사용하는 그래디언트 부스팅 프레임워크입니다. 이는 다음과 같은 장점을 가지고 분산되고 효율적으로 설계되었습니다.

훈련 속도가 빨라지고 효율성이 높아집니다.
메모리 사용량이 적습니다.
더 나은 정확성.
병렬, 분산 및 GPU 학습을 지원합니다.
대규모 데이터 처리가 가능합니다.

자세한 내용은 기능을 참조하세요.

이러한 장점을 활용하여 LightGBM은 기계 학습 대회에서 우승한 많은 솔루션에서 널리 사용되고 있습니다.

공개 데이터 세트에 대한 비교 실험에 따르면 LightGBM은 효율성과 정확성 모두에서 기존 부스팅 프레임워크를 능가하고 메모리 소비를 크게 줄일 수 있는 것으로 나타났습니다. 더욱이, 분산 학습 실험에서는 LightGBM이 특정 설정에서 훈련을 위해 여러 기계를 사용하여 선형 속도 향상을 달성할 수 있음을 보여줍니다.

시작 및 문서화

기본 문서는 https://lightgbm.readthedocs.io/에 있으며 이 저장소에서 생성됩니다. LightGBM을 처음 사용하는 경우 해당 사이트의 설치 지침을 따르십시오.

다음 내용을 읽어 보세요.

일반 작업의 명령줄 사용법을 보여주는 예입니다 .
LightGBM이 지원하는 기능 및 알고리즘.
매개변수 는 사용자가 수행할 수 있는 전체 사용자 정의 목록입니다.
분산 학습 과 GPU 학습은 계산 속도를 높일 수 있습니다.
FLAML은 LightGBM(코드 예제)에 대한 자동 조정을 제공합니다.
Optuna 하이퍼파라미터 튜너는 LightGBM 하이퍼파라미터(코드 예제)에 대한 자동화된 튜닝을 제공합니다.
LightGBM 매개변수 이해(및 Neptune을 사용하여 조정하는 방법) .

기여자를 위한 문서:

readthedocs.io를 업데이트하는 방법 .
개발 가이드를 확인하세요.

소식

GitHub 릴리스 페이지에서 변경 로그를 참조하세요.

외부(비공식) 저장소

여기에 나열된 프로젝트는 LightGBM을 사용하는 대체 방법을 제공합니다. LightGBM 개발 팀에서는 이를 유지 관리하거나 공식적으로 승인하지 않습니다.

JPMML(Java PMML 변환기): https://github.com/jpmml/jpmml-lightgbm

Nyoka(Python PMML 변환기): https://github.com/SoftwareAG/nyoka

Treelite(효율적인 배포를 위한 모델 컴파일러): https://github.com/dmlc/treelite

lleaves(효율적인 추론을 위한 LLVM 기반 모델 컴파일러): https://github.com/siboehm/lleaves

Hummingbird(텐서 계산을 위한 모델 컴파일러): https://github.com/microsoft/hummingbird

cuML 포리스트 추론 라이브러리(GPU 가속 추론): https://github.com/rapidsai/cuml

daal4py(Intel CPU 가속 추론): https://github.com/intel/scikit-learn-intelex/tree/master/daal4py

m2cgen(다양한 언어에 대한 모델 적용자): https://github.com/BayesWitnesses/m2cgen

Leaves(Go 모델 적용자): https://github.com/dmitryikh/leaves

ONNXMLTools(ONNX 변환기): https://github.com/onnx/onnxmltools

SHAP(모델 출력 설명): https://github.com/slundberg/shap

Shapash(모델 시각화 및 해석): https://github.com/MAIF/shapash

dtreeviz(의사결정 트리 시각화 및 모델 해석): https://github.com/parrt/dtreeviz

슈퍼트리(의사결정 트리의 대화형 시각화): https://github.com/mljar/supertree

SynapseML(Spark의 LightGBM): https://github.com/microsoft/SynapseML

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

Kubeflow 운영자(Kubernetes의 LightGBM): https://github.com/kubeflow/xgboost-operator

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

화성(화성의 LightGBM): https://github.com/mars-project/mars

ML.NET(.NET/C#-패키지): https://github.com/dotnet/machinelearning

LightGBM.NET(.NET/C#-패키지): https://github.com/rca22/LightGBM.Net

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

LightGBM4j(Java 상위 수준 바인딩): https://github.com/metarank/lightgbm4j

LightGBM4J(Scala로 작성된 LightGBM용 JVM 인터페이스): https://github.com/seek-oss/lightgbm4j

Julia 패키지: https://github.com/IQVIA-ML/LightGBM.jl

lightgbm3(Rust 바인딩): https://github.com/Mottl/lightgbm3-rs

MLServer(LightGBM용 추론 서버): https://github.com/SeldonIO/MLServer

MLflow(실험 추적, 모델 모니터링 프레임워크): https://github.com/mlflow/mlflow

FLAML(초매개변수 최적화를 위한 AutoML 라이브러리): https://github.com/microsoft/FLAML

MLJAR AutoML(표 형식 데이터의 AutoML): https://github.com/mljar/mljar-supervised

Optuna(초매개변수 최적화 프레임워크): https://github.com/optuna/optuna

LightGBMLSS(LightGBM을 사용한 확률적 모델링): https://github.com/StatMixedML/LightGBMLSS

mlforecast(LightGBM을 사용한 시계열 예측): https://github.com/Nixtla/mlforecast

skforecast(LightGBM을 사용한 시계열 예측): https://github.com/JoaquinAmatRodrigo/skforecast

{bonsai} (R {parsnip} 호환 인터페이스): https://github.com/tidymodels/bonsai

{mlr3extralearners} (R {mlr3} 호환 인터페이스): https://github.com/mlr-org/mlr3extralearners

lightgbm-transform(기능 변환 바인딩): https://github.com/microsoft/lightgbm-transform

postgresml (Postgres 확장을 통한 SQL의 LightGBM 훈련 및 예측): https://github.com/postgresml/postgresml

pyodide (웹 브라우저에서 lightgbm Python-package 실행): https://github.com/pyodide/pyodide

vaex-ml (LightGBM에 대한 자체 인터페이스가 있는 Python DataFrame 라이브러리): https://github.com/vaexio/vaex

지원하다

lightgbm 태그를 사용하여 Stack Overflow에 질문을 하면 새로운 질문이 있는지 모니터링합니다.
GitHub 문제에 대한 버그 보고서 및 기능 요청을 엽니다.

기여하는 방법

CONTRIBUTING 페이지를 확인하세요.

Microsoft 오픈 소스 행동 강령

이 프로젝트는 Microsoft 오픈 소스 행동 강령을 채택했습니다. 자세한 내용은 행동 강령 FAQ를 참조하거나 추가 질문이나 의견이 있는 경우 [email protected]으로 문의하세요.

참고 논문

Yu Shi, Guolin Ke, Zhuoming Chen, Shuxin Zheng, Tie-Yan Liu. "그라디언트 부스팅 결정 트리의 양자화된 훈련"(링크). 신경 정보 처리 시스템의 발전 35(NeurIPS 2022), pp. 18822-18833.

Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu. "LightGBM: 매우 효율적인 그래디언트 부스팅 의사결정 트리". 신경 정보 처리 시스템의 발전 30(NIPS 2017), pp. 3149-3157.

Qi Meng, Guolin Ke, Taifeng Wang, Wei Chen, Qiwei Ye, Zhi-Ming Ma, Tie-Yan Liu. "의사결정 트리를 위한 효율적인 통신 병렬 알고리즘". 신경 정보 처리 시스템의 발전 29(NIPS 2016), pp. 1279-1287.

Huan Zhang, Si Si 및 Cho-Jui Hsieh. "대규모 트리 부스팅을 위한 GPU 가속". SysML 컨퍼런스, 2018.