LightGBM
v4.5.0
LightGBM เป็นเฟรมเวิร์กการไล่ระดับสีที่ใช้อัลกอริธึมการเรียนรู้แบบต้นไม้ ได้รับการออกแบบมาให้กระจายและมีประสิทธิภาพโดยมีข้อดีดังต่อไปนี้:
สำหรับรายละเอียดเพิ่มเติม โปรดดูที่คุณสมบัติ
ด้วยข้อดีเหล่านี้ LightGBM จึงถูกนำมาใช้กันอย่างแพร่หลายในโซลูชันที่ชนะรางวัลมากมายของการแข่งขันแมชชีนเลิร์นนิง
การทดลองเปรียบเทียบชุดข้อมูลสาธารณะแสดงให้เห็นว่า LightGBM มีประสิทธิภาพเหนือกว่าเฟรมเวิร์กเพิ่มประสิทธิภาพที่มีอยู่ทั้งในด้านประสิทธิภาพและความแม่นยำ โดยใช้หน่วยความจำลดลงอย่างมาก ยิ่งไปกว่านั้น การทดลองการเรียนรู้แบบกระจายแสดงให้เห็นว่า LightGBM สามารถเร่งความเร็วเชิงเส้นได้โดยใช้เครื่องหลายเครื่องสำหรับการฝึกอบรมในการตั้งค่าเฉพาะ
เอกสารหลักของเราอยู่ที่ https://lightgbm.readthedocs.io/ และสร้างขึ้นจากพื้นที่เก็บข้อมูลนี้ หากคุณยังใหม่กับ LightGBM ให้ทำตามคำแนะนำการติดตั้งบนเว็บไซต์นั้น
ถัดไปคุณอาจต้องการอ่าน:
เอกสารสำหรับผู้มีส่วนร่วม:
โปรดดูบันทึกการเปลี่ยนแปลงที่หน้าเผยแพร่ GitHub
โปรเจ็กต์ที่ระบุไว้ที่นี่เสนอทางเลือกอื่นในการใช้ LightGBM พวกเขาไม่ได้รับการดูแลหรือรับรองอย่างเป็นทางการโดยทีมพัฒนา LightGBM
JPMML (ตัวแปลง Java PMML): https://github.com/jpmml/jpmml-lightgbm
Nyoka (ตัวแปลง Python PMML): https://github.com/SoftwareAG/nyoka
Treelite (คอมไพเลอร์โมเดลเพื่อการปรับใช้ที่มีประสิทธิภาพ): https://github.com/dmlc/treelite
lleaves (คอมไพเลอร์โมเดลที่ใช้ LLVM เพื่อการอนุมานที่มีประสิทธิภาพ): https://github.com/siboehm/lleaves
Hummingbird (คอมไพเลอร์โมเดลเป็นการคำนวณเทนเซอร์): https://github.com/microsoft/hummingbird
ไลบรารีการอนุมาน cuML Forest (การอนุมานแบบเร่งด้วย GPU): https://github.com/rapidsai/cuml
daal4py (การอนุมานที่เร่งด้วย CPU ของ Intel): https://github.com/intel/scikit-learn-intelex/tree/master/daal4py
m2cgen (แอปพลิเคชันโมเดลสำหรับภาษาต่างๆ): https://github.com/BayesWitnesses/m2cgen
leaves (ผู้ใช้โมเดล Go): https://github.com/dmitryikh/leaves
ONNXMLTools (ตัวแปลง ONNX): https://github.com/onnx/onnxmltools
SHAP (ตัวอธิบายเอาต์พุตโมเดล): https://github.com/slundberg/shap
Shapash (การสร้างภาพและการตีความแบบจำลอง): https://github.com/MAIF/shapash
dtreeviz (การสร้างภาพต้นไม้การตัดสินใจและการตีความแบบจำลอง): https://github.com/parrt/dtreeviz
supertree (การแสดงภาพแบบโต้ตอบของแผนผังการตัดสินใจ): https://github.com/mljar/supertree
SynapseML (LightGBM บน Spark): https://github.com/microsoft/SynapseML
Kubeflow Fairing (LightGBM บน Kubernetes): https://github.com/kubeflow/fairing
ตัวดำเนินการ Kubeflow (LightGBM บน Kubernetes): https://github.com/kubeflow/xgboost-operator
lightgbm_ray (LightGBM บนเรย์): https://github.com/ray-project/lightgbm_ray
ดาวอังคาร (LightGBM บนดาวอังคาร): https://github.com/mars-project/mars
ML.NET (.NET/C#-package): https://github.com/dotnet/machinelearning
LightGBM.NET (.NET/C#-แพ็คเกจ): https://github.com/rca22/LightGBM.Net
LightGBM Ruby (อัญมณีทับทิม): https://github.com/ankane/lightgbm-ruby
LightGBM4j (การเชื่อมโยง Java ระดับสูง): https://github.com/metarank/lightgbm4j
LightGBM4J (อินเทอร์เฟซ JVM สำหรับ LightGBM เขียนด้วย Scala): https://github.com/seek-oss/lightgbm4j
Julia-แพ็คเกจ: https://github.com/IQVIA-ML/LightGBM.jl
lightgbm3 (การผูกสนิม): https://github.com/Mottl/lightgbm3-rs
MLServer (เซิร์ฟเวอร์อนุมานสำหรับ LightGBM): https://github.com/SeldonIO/MLServer
MLflow (การติดตามการทดลอง กรอบงานการตรวจสอบโมเดล): https://github.com/mlflow/mlflow
FLAML (ไลบรารี AutoML สำหรับการเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์): https://github.com/microsoft/FLAML
MLJAR AutoML (AutoML บนข้อมูลแบบตาราง): https://github.com/mljar/mljar-supervised
Optuna (กรอบงานการเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์): https://github.com/optuna/optuna
LightGBMLSS (การสร้างแบบจำลองความน่าจะเป็นด้วย LightGBM): https://github.com/StatMixedML/LightGBMLSS
mlforecast (การพยากรณ์อนุกรมเวลาด้วย LightGBM): https://github.com/Nixtla/mlforecast
skforecast (การพยากรณ์อนุกรมเวลาด้วย LightGBM): https://github.com/JoaquinAmatRodrigo/skforecast
{bonsai} (R {parsnip} - อินเทอร์เฟซที่สอดคล้องกับ): https://github.com/tidymodels/bonsai
{mlr3extralearners} (อินเทอร์เฟซที่สอดคล้องกับ R {mlr3} ): https://github.com/mlr-org/mlr3extralearners
lightgbm-transform (การเชื่อมโยงการแปลงฟีเจอร์): https://github.com/microsoft/lightgbm-transform
postgresml (การฝึกอบรม LightGBM และการทำนายใน SQL ผ่านส่วนขยาย Postgres): https://github.com/postgresml/postgresml
pyodide (เรียกใช้ lightgbm Python-package ในเว็บเบราว์เซอร์): https://github.com/pyodide/pyodide
vaex-ml (ไลบรารี Python DataFrame พร้อมอินเทอร์เฟซของตัวเองกับ LightGBM): https://github.com/vaexio/vaex
lightgbm เราจะตรวจสอบสิ่งนี้สำหรับคำถามใหม่ตรวจสอบหน้าการมีส่วนร่วม
โครงการนี้ได้นำหลักจรรยาบรรณของ Microsoft Open Source มาใช้ สำหรับข้อมูลเพิ่มเติม โปรดดูคำถามที่พบบ่อยเกี่ยวกับจรรยาบรรณหรือติดต่อ [email protected] หากมีคำถามหรือความคิดเห็นเพิ่มเติม
อวี้ซือ, กัวลินเค่อ, โจวหมิง เฉิน, ซูซิน เจิ้ง, เถี่ยหยานหลิว "การฝึกอบรมเชิงปริมาณของต้นไม้การตัดสินใจที่ส่งเสริมการไล่ระดับสี" (ลิงก์) ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 35 (NeurIPS 2022), หน้า 18822-18833
กัวลิน เค่อ, ชีเหมิง, โธมัส ฟินลีย์, ไท่เฟิง หวาง, เว่ย เฉิน, เว่ยตง หม่า, ฉีเวย เย่, หลิวเถี่ยเหยียน "LightGBM: แผนผังการตัดสินใจที่ส่งเสริมการไล่ระดับสีที่มีประสิทธิภาพสูง" ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 30 (NIPS 2017), หน้า 3149-3157
ชี่เหมิง, กัวลินเค่อ, ไท่เฟิง หวาง, เว่ยเฉิน, ฉีเว่ยเย่, จือหมิงหม่า, หลิวเถี่ยเหยียน "อัลกอริธึมคู่ขนานที่มีประสิทธิภาพในการสื่อสารสำหรับแผนผังการตัดสินใจ" ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 29 (NIPS 2016), หน้า 1279-1287
ฮวน จาง, ซือซี และโชจุยเซียะ "การเร่งความเร็ว GPU สำหรับการขยายต้นไม้ขนาดใหญ่" การประชุม SysML ปี 2018
โครงการนี้ได้รับอนุญาตภายใต้เงื่อนไขของใบอนุญาต MIT ดูใบอนุญาตสำหรับรายละเอียดเพิ่มเติม
