问题标签 [lightgbm]

我有一个 lightgbm 多类分类模型，我想为其创建一个混淆矩阵。第一步，我只想在 df 上绘制预测值与实际值……我的问题是 lightgbm.predict 是否会按您给它的数据集的顺序返回预测值。

如果您遵循下面的代码，我的“预测”部分是否正确地将测试数据集行与对应的预测行匹配？

这是我创建测试和训练集的方式：

运行模型：

然后是预测：

In my data, there are about 70 classes and I am using lightGBM to predict the correct class label.

In R, would like to have a customised "metric" function where I can evaluate whether top 3 predictions by lightgbm cover the true label.

The link here is inspiring to see

however I don't know the dimensionality of the arguments going to function. seems data are shuffled for some reason.

我已经通过安装 lightgbmconda install -c conda-forge lightgbm并成功导入import lightgbm as lgb，但是当我尝试时train.lgm出现此错误： AttributeError: module 'lightgbm' has no attribute 'Dataset' 。我也进口了from sklearn import *。我更新了 scikit-learn 但也没有用。任何帮助，将不胜感激！

LightGBM我有一个机器学习问题，我在使用和的训练/测试数据上获得了非常好的结果XGBoost。下一步是从这些模型之一获取预测到现有 C# 应用程序 (.NET Framework 4.6.1) 是否有任何库可以帮助我做到这一点？到目前为止我已经尝试过：

• ML.NET：应该适用于LigthGBM，但由于这个错误，它仅适用于 .NET Core。
• Windows.ML：这应该能够预测 ONNX 模型，并且我设法从我的模型创建了一个 ONNXXGBoost模型。但 Windows.ML 似乎只适用于 UWP 应用程序，至少所有示例都是 UWP。
• SharpLearning：这个库有一个接口XGBoost。不幸的是，它不支持我所依赖的样本权重。
• CNTK：尝试加载 ONNX 文件（类似于此示例），但得到：错误：CNTK 不支持 ONNX (TreeEnsembleClassifier)。

有什么建议，还是我必须等待 ML.NET 修复错误？

我正在使用 LightGBM，并希望使用平均精度召回作为指标。我尝试定义 feval：

其中 APS 定义为：

我得到一个错误：

TypeError：未知类型的参数：feval，得到：函数

我也尝试使用“MAP”作为指标

但出现以下错误：

“lightgbm.basic.LightGBMError：对于MAP metric，应该有查询信息”

我找不到所需的查询信息。

如何正确使用 feval 并定义“MAP”所需的查询

谢谢

我正在尝试将 sklearn 的 CalibratedClassifierCV() 与 lightgbm 一起使用，如下所示：

但是它给我带来了错误，因为有一些分类变量，lightgbm 可以有效地处理这些变量，而不必转换为一种热编码，但 CalibratedClassifierCV 不是。

错误：ValueError: could not convert string to float: 'RC'

它正在调用sklearn的validation.py，它在步骤中抛出错误，因为在字符串对象上调用astype float：

有没有办法可以在不转换为数字变量的情况下处理这个问题？我避免将类别转换为数字，因为有超过 10000 个类别

我希望我的预测概率在 0 到 1 之间。我已经在 xgboost 中做到了，但我也想尝试 Lightgbm，但它输出可靠的预测（仅整数）。我可以在 XGBoost 中通过将 'objective' 参数设置为 binary:logistic 来做到这一点，但在 Lightgbm 中似乎没有任何类似的参数，它只有二进制并且输出 0 或 1。

我已经用大约 X 树训练了一个 xgboost 模型。我想用完全相同的超参数创建模型的一些副本，但修剪树的数量。例如，我想创建一个具有相同权重和参数的模型，而树的数量只有一半。是否可以使用 xgboost api 来做到这一点。

我尝试了一种简单的快速方法来反序列化经过训练的 xgboost 模型并将 booster_params['num_boost_round'] 重置为原来的一半。但这似乎并没有影响任何模型质量和预测分数，这意味着在评分/评估时不使用此参数。

剩下的唯一选择是转储文本或 pmml 文件，用树的子集将其解析回来。想知道是否可以使用 xgboost api 本身来做到这一点（比如更改会带来相同效果的参数），而无需转换为单独的表示/格式并自己解析。

我正在解决公司文件的二进制文本分类问题。将长度为 100 的 Doc2Vec 嵌入与 LightGBM 一起使用会产生很好的效果。然而，对于这个项目，为至少一个组件近似一个主题含义将是非常有价值的。理想情况下，这将是一个被 LightGBM 列为高度重要的功能，并通过一些例子进行了轶事解释。

有没有人尝试过这个，或者对于这种复杂程度的高维模型，解释是否应该被排除在外？

我在一个单独的文件中定义了我的管道model.py

训练和转储模型

为了加载模型，脚本需要访问model.py. 使用 google ml 引擎时我应该把这个文件放在哪里？

我试过了

与model.py内部path/to/models目录。

错误

cloud.ml.prediction.prediction_utils.PredictionError：加载模型失败：无法加载模型：/path/to/the/model/model.joblib。没有名为“模型”的模块。（错误代码：0）

另一个问题是是否可以lightgbm在 ml-engine 预测中使用它？