LightGBM
v4.5.0
LightGBM — это платформа повышения градиента, которая использует древовидные алгоритмы обучения. Он спроектирован как распределенный и эффективный и имеет следующие преимущества:
Более подробную информацию можно найти в разделе «Функции».
Благодаря этим преимуществам LightGBM широко используется во многих решениях, выигравших соревнования по машинному обучению.
Сравнительные эксперименты с общедоступными наборами данных показывают, что LightGBM может превосходить существующие системы повышения производительности как по эффективности, так и по точности, при значительно более низком потреблении памяти. Более того, эксперименты с распределенным обучением показывают, что LightGBM может добиться линейного ускорения за счет использования нескольких машин для обучения в определенных условиях.
Наша основная документация находится по адресу https://lightgbm.readthedocs.io/ и создается из этого репозитория. Если вы новичок в LightGBM, следуйте инструкциям по установке на этом сайте.
Далее вы можете прочитать:
Документация для участников:
Пожалуйста, обратитесь к журналам изменений на странице выпусков GitHub.
Перечисленные здесь проекты предлагают альтернативные способы использования LightGBM. Они не поддерживаются и официально не поддерживаются командой разработчиков LightGBM .
JPMML (конвертер Java PMML): https://github.com/jpmml/jpmml-lightgbm
Nyoka (конвертер Python PMML): https://github.com/SoftwareAG/nyoka
Treelite (компилятор моделей для эффективного развертывания): https://github.com/dmlc/treelite
lleaves (компилятор моделей на основе LLVM для эффективного вывода): https://github.com/siboehm/lleaves
Hummingbird (компилятор моделей в тензорные вычисления): https://github.com/microsoft/hummingbird
Библиотека вывода леса cuML (вывод с ускорением графического процессора): https://github.com/rapidsai/cuml
daal4py (вывод с ускорением процессора Intel): https://github.com/intel/scikit-learn-intelex/tree/master/daal4py
m2cgen (применители моделей для разных языков): https://github.com/BayesWitnesses/m2cgen
листья (применение модели Go): https://github.com/dmitryikh/leaves
ONNXMLTools (конвертер ONNX): https://github.com/onnx/onnxmltools
SHAP (объяснение выходных данных модели): https://github.com/slundberg/shap
Шапаш (визуализация и интерпретация модели): https://github.com/MAIF/shapash
dtreeviz (визуализация дерева решений и интерпретация модели): https://github.com/parrt/dtreeviz
супердерево (интерактивная визуализация деревьев решений): https://github.com/mljar/supertree
SynapseML (LightGBM на Spark): https://github.com/microsoft/SynapseML
Kubeflow Fairing (LightGBM в Kubernetes): https://github.com/kubeflow/fairing
Оператор Kubeflow (LightGBM в Kubernetes): https://github.com/kubeflow/xgboost-operator
Lightgbm_ray (LightGBM на Ray): https://github.com/ray-project/lightgbm_ray
Марс (LightGBM на Марсе): https://github.com/mars-project/mars
ML.NET (пакет .NET/C#): https://github.com/dotnet/machinelearning
LightGBM.NET (пакет .NET/C#): https://github.com/rca22/LightGBM.Net
LightGBM Ruby (драгоценный камень Ruby): https://github.com/ankane/lightgbm-ruby
LightGBM4j (высокоуровневая привязка Java): https://github.com/metarank/lightgbm4j
LightGBM4J (интерфейс JVM для LightGBM, написанный на Scala): https://github.com/seek-oss/lightgbm4j
Юлия-пакет: https://github.com/IQVIA-ML/LightGBM.jl
Lightgbm3 (привязка Rust): https://github.com/Mottl/lightgbm3-rs
MLServer (сервер вывода для LightGBM): https://github.com/SeldonIO/MLServer
MLflow (отслеживание экспериментов, платформа мониторинга моделей): https://github.com/mlflow/mlflow
FLAML (библиотека AutoML для оптимизации гиперпараметров): https://github.com/microsoft/FLAML
MLJAR AutoML (AutoML для табличных данных): https://github.com/mljar/mljar-supervised
Optuna (структура оптимизации гиперпараметров): https://github.com/optuna/optuna
LightGBMLSS (вероятностное моделирование с помощью LightGBM): https://github.com/StatMixedML/LightGBMLSS
mlforecast (прогнозирование временных рядов с помощью LightGBM): https://github.com/Nixtla/mlforecast
skforecast (прогнозирование временных рядов с помощью LightGBM): https://github.com/JoaquinAmatRodrigo/skforecast
{bonsai} (интерфейс, совместимый с R {parsnip} ): https://github.com/tidymodels/bonsai
{mlr3extralearners} (интерфейс, совместимый с R {mlr3} ): https://github.com/mlr-org/mlr3extralearners
Lightgbm-transform (привязка преобразования функций): https://github.com/microsoft/lightgbm-transform
postgresml (обучение и прогнозирование LightGBM в SQL с помощью расширения Postgres): https://github.com/postgresml/postgresml
pyodide (запустите Python-пакет lightgbm в веб-браузере): https://github.com/pyodide/pyodide
vaex-ml (библиотека Python DataFrame с собственным интерфейсом для LightGBM): https://github.com/vaexio/vaex
lightgbm , мы отслеживаем появление новых вопросов.Проверьте страницу ВКЛАД.
В этом проекте принят Кодекс поведения Microsoft с открытым исходным кодом. Для получения дополнительной информации см. часто задаваемые вопросы о Кодексе поведения или свяжитесь с нами по адресу [email protected], если у вас возникнут дополнительные вопросы или комментарии.
Ю Ши, Гуолинь Кэ, Чжуомин Чэнь, Шусинь Чжэн, Те-Янь Лю. «Квантованное обучение деревьев решений градиентного повышения» (ссылка). Достижения в области нейронных систем обработки информации 35 (NeurIPS 2022), стр. 18822-18833.
Гуолинь Кэ, Ци Мэн, Томас Финли, Тайфэн Ван, Вэй Чен, Вэйдун Ма, Цивэй Е, Те-Янь Лю. «LightGBM: высокоэффективное дерево решений для повышения градиента». Достижения в области нейронных систем обработки информации 30 (NIPS 2017), стр. 3149–3157.
Ци Мэн, Гуолинь Кэ, Тайфэн Ван, Вэй Чен, Цивэй Е, Чжи-Мин Ма, Те-Янь Лю. «Эффективный для связи параллельный алгоритм для дерева решений». Достижения в области нейронных систем обработки информации 29 (NIPS 2016), стр. 1279–1287.
Хуан Чжан, Си Си и Чо-Джуй Се. «Ускорение графического процессора для крупномасштабного повышения качества деревьев». Конференция SysML, 2018.
Этот проект лицензируется на условиях лицензии MIT. Дополнительную информацию см. в разделе ЛИЦЕНЗИЯ.
