• 问答
  • 技术
  • 实践
  • 资源
实践教程 | LGBM 模型 +OPTUNA 调参组合
技术讨论

模型神器组合,yyds!

作者 | 东哥
来源 | Python数据科学
编辑 | 极市平台

结合一些自己的经验,给大家带来一个LGBM模型+OPTUNA调参的使用教程,这对可谓是非常实用且容易上分的神器组合了,实际工作中也可使用。

大家好,最近在kaggle上有一个调参神器非常热门,在top方案中频频出现,它就是OPTUNA。知道很多小伙伴苦恼于漫长的调参时间里,这次结合一些自己的经验,给大家带来一个LGBM模型+OPTUNA调参的使用教程,这对可谓是非常实用且容易上分的神器组合了,实际工作中也可使用。

关于LightGBM不多说了,之前分享过很多文章,它是在XGBoost基础上对效率提升的优化版本,由微软发布的,运行效率极高,且准确度不降。目前是公认比较好,且广泛使用的机器学习模型了,分类回归均可满足。

关于调参,也就是模型的超参数调优,可能你会想到GridSearch。确实最开始我也在用GridSearch,暴力美学虽然好,但它的缺点很明显,运行太耗时,时间成本太高。相比之下,基于贝叶斯框架下的调参工具就舒服多了。这类开源工具也很多,常见的比如HyperOPT。当然今天主角不是它,而是另外一个更香的OPTUNA,轻量级且功能更强大,速度也是快到起飞!

因为需要用 LGBM 配合举例讲解,下面先从 LGBM 的几个主要超参数开始介绍,然后再根据这些超参设置 Optuna 进行调参。

LightGBM参数概述

通常,基于树的模型的超参数可以分为 4 类:

  1. 影响决策树结构和学习的参数
  2. 影响训练速度的参数
  3. 提高精度的参数
  4. 防止过拟合的参数

大多数时候,这些类别有很多重叠,提高一个类别的效率可能会降低另一个类别的效率。如果完全靠手动调参,那会比较痛苦。所以前期我们可以利用一些自动化调参工具给出一个大致的结果,而自动调参工具的核心在于如何给定适合的参数区间范围。 如果能给定合适的参数网格,Optuna 就可以自动找到这些类别之间最平衡的参数组合。

下面对LGBM的4类超参进行介绍。

控制树结构的超参数

max_depth 和 num_leaves

LGBM 中,控制树结构的最先要调的参数是max_depth(树深度) 和 num_leaves(叶子节点数)。这两个参数对于树结构的控制最直接了断,因为 LGBMleaf-wise 的,如果不控制树深度,会非常容易过拟合。max_depth一般设置可以尝试设置为3到8

这两个参数也存在一定的关系。由于是二叉树,num_leaves最大值应该是2^(max_depth)。所以,确定了max_depth也就意味着确定了num_leaves的取值范围。

min_data_in_leaf

树的另一个重要结构参数是min_data_in_leaf,它的大小也与是否过拟合有关。它指定了叶子节点向下分裂的的最小样本数,比如设置100,那么如果节点样本数量不够100就停止生长。当然,min_data_in_leaf的设定也取决于训练样本的数量和num_leaves。对于大数据集,一般会设置千级以上。

提高准确性的超参数

learning_rate 和 n_estimators

实现更高准确率的常见方法是使用更多棵子树并降低学习率。换句话说,就是要找到LGBMn_estimatorslearning_rate的最佳组合。

n_estimators控制决策树的数量,而learning_rate是梯度下降的步长参数。经验来说,LGBM 比较容易过拟合,learning_rate可以用来控制梯度提升学习的速度,一般值可设在 0.01 和 0.3 之间。一般做法是先用稍多一些的子树比如1000,并设一个较低的learning_rate,然后通过early_stopping找到最优迭代次数。

max_bin

除此外,也可以增加max_bin(默认值为255)来提高准确率。因为变量分箱的数量越多,信息保留越详细,相反,变量分箱数量越低,信息越损失,但更容易泛化。这个和特征工程的分箱是一个道理,只不过是通过内部的hist直方图算法处理了。如果max_bin过高,同样也存在过度拟合的风险。

更多超参数来控制过拟合

lambda_l1 和 lambda_l2

lambda_l1lambda_l2 对应着 L1L2 正则化,和 XGBoostreg_lambdareg_alpha 是一样的,对叶子节点数和叶子节点权重的惩罚,值越高惩罚越大。这些参数的最佳值更难调整,因为它们的大小与过拟合没有直接关系,但会有影响。一般的搜索范围可以在 (0, 100)

min_gain_to_split

这个参数定义着分裂的最小增益。这个参数也看出数据的质量如何,计算的增益不高,就无法向下分裂。如果你设置的深度很深,但又无法向下分裂,LGBM就会提示warning,无法找到可以分裂的了。参数含义和 XGBoostgamma 是一样,说明数据质量已经达到了极限了。比较保守的搜索范围是 (0, 20),它可以用作大型参数网格中的额外正则化。

bagging_fraction 和 feature_fraction

这两个参数取值范围都在(0,1)之间。

feature_fraction指定训练每棵树时要采样的特征百分比,它存在的意义也是为了避免过拟合。因为有些特征增益很高,可能造成每棵子树分裂的时候都会用到同一个特征,这样每个子树就同质化了。而如果通过较低概率的特征采样,可以避免每次都遇到一样的强特征,从而让子树的特征变得差异化,即泛化。

bagging_fraction指定用于训练每棵树的训练样本百分比。要使用这个参数,还需要设置 bagging_freq,道理和feature_fraction一样,也是让没棵子树都变得好而不同

在 Optuna 中创建搜索网格

Optuna 中的优化过程首先需要一个目标函数,该函数里面包括:

  • 字典形式的参数网格
  • 创建一个模型(可以配合交叉验证kfold)来尝试超参数组合集
  • 用于模型训练的数据集
  • 使用此模型生成预测
  • 根据用户定义的指标对预测进行评分并返回

下面给出一个常用的框架,模型是5折的Kfold,这样可以保证模型的稳定性。最后一行返回了需要优化的 CV 分数的平均值。目标函数可以自己设定,比如指标logloss最小,auc最大,ks最大,训练集和测试集的auc差距最小等等。

import optuna  # pip install optunafrom sklearn.metrics import log_lossfrom sklearn.model_selection import StratifiedKFolddef objective(trial, X, y):    # 后面填充    param_grid = {}    cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=1121218)    cv_scores = np.empty(5)    for idx, (train_idx, test_idx) in enumerate(cv.split(X, y)):        X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]        y_train, y_test = y[train_idx], y[test_idx]        model = lgbm.LGBMClassifier(objective="binary", **param_grid)        model.fit(            X_train,            y_train,            eval_set=[(X_test, y_test)],            eval_metric="binary_logloss",            early_stopping_rounds=100,        )        preds = model.predict_proba(X_test)        cv_scores[idx] = preds    return np.mean(cv_scores)

下面是参数的设置,Optuna比较常见的参数设置方式有suggest_categoricalsuggest_intsuggest_float。其中,suggest_intsuggest_float的设置方式为(参数,最小值,最大值,step=步长)

def objective(trial, X, y):    # 字典形式的参数网格    param_grid = {        "n_estimators": trial.suggest_categorical("n_estimators", [10000]),        "learning_rate": trial.suggest_float("learning_rate", 0.01, 0.3),        "num_leaves": trial.suggest_int("num_leaves", 20, 3000, step=20),        "max_depth": trial.suggest_int("max_depth", 3, 12),        "min_data_in_leaf": trial.suggest_int("min_data_in_leaf", 200, 10000, step=100),        "max_bin": trial.suggest_int("max_bin", 200, 300),        "lambda_l1": trial.suggest_int("lambda_l1", 0, 100, step=5),        "lambda_l2": trial.suggest_int("lambda_l2", 0, 100, step=5),        "min_gain_to_split": trial.suggest_float("min_gain_to_split", 0, 15),        "bagging_fraction": trial.suggest_float(            "bagging_fraction", 0.2, 0.95, step=0.1        ),        "bagging_freq": trial.suggest_categorical("bagging_freq", [1]),        "feature_fraction": trial.suggest_float(            "feature_fraction", 0.2, 0.95, step=0.1        ),    }

创建 Optuna 自动调起来

下面是完整的目标函数框架,供参考:

from optuna.integration import LightGBMPruningCallbackdef objective(trial, X, y):    # 参数网格    param_grid = {        "n_estimators": trial.suggest_categorical("n_estimators", [10000]),        "learning_rate": trial.suggest_float("learning_rate", 0.01, 0.3),        "num_leaves": trial.suggest_int("num_leaves", 20, 3000, step=20),        "max_depth": trial.suggest_int("max_depth", 3, 12),        "min_data_in_leaf": trial.suggest_int("min_data_in_leaf", 200, 10000, step=100),        "lambda_l1": trial.suggest_int("lambda_l1", 0, 100, step=5),        "lambda_l2": trial.suggest_int("lambda_l2", 0, 100, step=5),        "min_gain_to_split": trial.suggest_float("min_gain_to_split", 0, 15),        "bagging_fraction": trial.suggest_float("bagging_fraction", 0.2, 0.95, step=0.1),        "bagging_freq": trial.suggest_categorical("bagging_freq", [1]),        "feature_fraction": trial.suggest_float("feature_fraction", 0.2, 0.95, step=0.1),        "random_state": 2021,    }    # 5折交叉验证    cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=1121218)    cv_scores = np.empty(5)    for idx, (train_idx, test_idx) in enumerate(cv.split(X, y)):        X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]        y_train, y_test = y[train_idx], y[test_idx]                # LGBM建模        model = lgbm.LGBMClassifier(objective="binary", **param_grid)        model.fit(            X_train,            y_train,            eval_set=[(X_test, y_test)],            eval_metric="binary_logloss",            early_stopping_rounds=100,            callbacks=[                LightGBMPruningCallback(trial, "binary_logloss")            ],        )        # 模型预测        preds = model.predict_proba(X_test)        # 优化指标logloss最小        cv_scores[idx] = log_loss(y_test, preds)    return np.mean(cv_scores)

上面这个网格里,还添加了LightGBMPruningCallback,这个callback类很方便,它可以在对数据进行训练之前检测出不太好的超参数集,从而显着减少搜索时间。

设置完目标函数,现在让参数调起来!

study = optuna.create_study(direction="minimize", study_name="LGBM Classifier")func = lambda trial: objective(trial, X, y)study.optimize(func, n_trials=20)

direction可以是minimize,也可以是maximize,比如让auc最大化。然后可以设置trials来控制尝试的次数,理论上次数越多结果越优,但也要考虑下运行时间。

搜索完成后,调用best_valuebast_params属性,调参就出来了。

print(f"\tBest value (rmse): {study.best_value:.5f}")print(f"\tBest params:")for key, value in study.best_params.items():    print(f"\t\t{key}: {value}")    -----------------------------------------------------Best value (binary_logloss): 0.35738 Best params:  device: gpu  lambda_l1: 7.71800699380605e-05  lambda_l2: 4.17890272377219e-06  bagging_fraction: 0.7000000000000001  feature_fraction: 0.4  bagging_freq: 5  max_depth: 5  num_leaves: 1007  min_data_in_leaf: 45  min_split_gain: 15.703519227860273  learning_rate: 0.010784015325759629  n_estimators: 10000

得到这个参数组合后,我们就可以拿去跑模型了,看结果再手动微调,这样就可以省很多时间了。

结语

本文给出了一个通过Optuna调参LGBM的代码框架,使用及其方便,参数区间范围需要根据数据情况自行调整,优化目标可以自定定义,不限于以上代码的logloss

关于Optuna的强大之处,后面会对比同类的调参工具介绍,敬请期待。

  • 1
  • 0
  • 1004
收藏
暂无评论