开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何捕捉LightGBM培训进度

LightGBM是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法，用于解决分类和回归问题。它具有高效、快速、可扩展的特点，适用于处理大规模数据集和高维特征。

捕捉LightGBM培训进度可以通过以下几种方式实现：

监控训练日志：LightGBM在训练过程中会生成日志文件，其中包含了每一轮迭代的训练指标和进度信息。可以通过解析日志文件来获取培训进度信息，如每轮迭代的损失函数值、准确率等。
使用回调函数：LightGBM提供了回调函数接口，可以在每一轮迭代结束时执行自定义的操作。通过定义一个回调函数，可以在每轮迭代结束时获取当前的培训进度信息，并进行相应的处理，如打印进度信息、保存模型等。
使用Early Stopping：LightGBM支持Early Stopping技术，即在训练过程中监控验证集的指标，并在指标不再改善时提前停止训练。通过设置一个阈值，当验证集指标连续若干轮没有改善时，可以判断模型已经达到了最优或过拟合的状态，从而捕捉到培训进度。
可视化工具：可以使用可视化工具来监控LightGBM的培训进度。例如，可以使用TensorBoard等工具将训练过程中的指标和进度可视化展示，以便更直观地观察培训进度和模型性能。

总结起来，捕捉LightGBM培训进度可以通过监控训练日志、使用回调函数、使用Early Stopping和可视化工具等方式实现。这些方法可以帮助开发者了解模型的训练进展情况，及时调整参数或停止训练，以提高模型的性能和效果。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
腾讯云数据智能平台（https://cloud.tencent.com/product/dmp）
腾讯云人工智能开发平台（https://cloud.tencent.com/product/ai）
腾讯云大数据平台（https://cloud.tencent.com/product/emr）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云对象存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
腾讯云物联网平台（https://cloud.tencent.com/product/iot）
腾讯云移动开发平台（https://cloud.tencent.com/product/mpp）
腾讯云音视频处理（https://cloud.tencent.com/product/mps）
腾讯云云原生应用平台（https://cloud.tencent.com/product/tke）
腾讯云数据库（https://cloud.tencent.com/product/cdb）
腾讯云网络安全（https://cloud.tencent.com/product/ddos）
腾讯云内容分发网络（https://cloud.tencent.com/product/cdn）

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

多步时间序列预测策略实战

多步预测的策略通常有两种，即单不预测策略和递归预测策略。时序基础模型 ARIMA 是单步预测模型。那么如何实现多步骤预测？也许一种方法是递归使用同一模型。从模型中得到一个周期的预测结果，作为预测下一个周期的输入。然后，将第二期的预测作为预测第三期的输入。可以通过使用前一期的预测结果来遍历所有时期。这正是递归预测或迭代预测策略的作用。图（A）显示模型首先产

01

自定义损失函数Gradient Boosting

互联网上有很多关于梯度提升的很好的解释(我们在参考资料中分享了一些选择的链接)，但是我们注意到很少有人提起自定义损失函数的信息：为什么要自定义损失函数，何时需要自定义损失函数，以及如何自定义损失函数。

03

LightGBM 可视化调参

大家好，在100天搞定机器学习|Day63 彻底掌握 LightGBM一文中，我介绍了LightGBM 的模型原理和一个极简实例。最近我发现Huggingface与Streamlit好像更配，所以就开发了一个简易的 LightGBM 可视化调参的小工具，旨在让大家可以更深入地理解 LightGBM

04

Snagit for mac(屏幕截图和屏幕录制工具)

Snagit是一款由TechSmith公司开发的屏幕截图和屏幕录制工具，旨在帮助用户在Mac OS X平台上捕捉和编辑屏幕内容。Snagit可以快速捕捉全屏、窗口、区域或滚动屏幕截图，并提供多种编辑工具，如裁剪、调整大小、添加文本、箭头、形状、高亮、马赛克和数字等标记。此外，Snagit还支持屏幕录制，可以捕捉视频、音频和鼠标点击等操作，并进行编辑和导出。Snagit已经成为许多行业中使用的标准工具，包括软件开发、技术支持、教育、医疗保健、市场营销和在线培训等领域。

00

突破最强算法模型，LightGBM ！！!

LightGBM呢，是微软开发的一个机器学习工具，擅长处理大数据和高维数据。LightGBM是基于决策树的提升方法，通过不断调整和优化预测模型来提高精度。与其他算法相比，LightGBM速度更快、内存占用更少、准确率更高，并且能处理类别特征。

01

非常全面！如何选择合适的模型？

在众多机器学习模型中，我们如何在各种实际情况下做出恰当的选择呢？本文我从如下几个方面系统地分析下~ 有帮助的话点个赞哦。

01

6.12 VR扫描：约翰霍普金斯大学用AR图像引导，首次成功完成美国脊柱融合手术

（VRPinea 6月12日讯）今日重点新闻：约翰霍普金斯大学用AR图像引导，首次成功完成美国脊柱融合手术；戛纳XR影展转到线上，联合《Museum of Other Realities》举办；迪士尼发布冰雪奇缘主题VR短片《Myth: A Frozen Tale》，售价2.99美元。

01

项目管理学习笔记之中的一个.项目管理综述「建议收藏」

三位管理学大师的三段话: 1. “在当今社会，一切都是项目，一切也将成为项目。” —- 美国项目管理协会主席保罗 2. “项目管理将站在21世纪管理舞台的中央，21世纪将进入项目管理时代!” —- 管理学大师 Tom Peters 3. “在应付全球化的市场活动中。有两个管理将起到关键的作用。第一个是战略管理，第二个管理是项目管理。战略管理立足于企业的长远和宏观，它考虑的是一个企业核心的竞争力问题，而项目管理是实现这个公司战略。而且支撑这个公司高速健康发展的主要手段和重要保障。

03

XGBoost和LightGBM

这两个模型都属于集成学习中的树模型，每个机器学习模型都有它特定的应用场景，不同的数据集适合用到的模型是不一样的。

01

【机器学习】集成学习方法：Bagging与Boosting的应用与优势

机器学习作为人工智能的一个重要分支，旨在通过数据驱动的方式让计算机自动从经验中学习，并进行预测或决策。机器学习技术在诸多领域，如图像识别、自然语言处理、推荐系统和金融预测等，取得了广泛应用和显著成果。然而，尽管机器学习模型在特定任务中表现优异，但单一模型在泛化能力上的局限性也逐渐显现出来。

01

进度跟踪可视化、结项报告自动生成……培训项目管理系统重磅来袭！

乐乐发现许多企业有这样的需求：项目制的培训在企业培训里是最常见的情景，比如“新员工入职培训”“开门红销售计划培训”“春季区域主管培训”……这些培训都有明确的培训对象、培训目的、培训组织方式、培训内容和组织者，需要一个完整、独立的管理流程。而盲点也一直存在：做培训的应用很多，可是做培训项目管理，却还是依靠管理员人工进行统计、监管、总结。在培训场景，腾讯乐享有着完善的功能，每一个小组件都受到了很多好评。那有没有办法把它们组合在一起，最大程度地帮助企业高效完成培训项目管理呢？出于这种考虑，基

01

基于树模型的时间序列预测实战

现在，我们将了解一个与经典ARIMA时间序列建模不同的新领域。在监督学习模型中，仅仅使用单变量时间序列似乎信息有限，预测也比较困难。因此，为了生成足够的特征，我们需要采取一些方法，例如创建大量的滞后变量。此外，关于预测目标值，我们需要用过去的项来预测未来的项，而且需要决定是一步领先还是多步领先。

01

训练日志刷屏使我痛苦，我开发了VLog

例如，通过callback嵌入到lightgbm/catboost/transformers/ultralytics，乃至keras库的训练代码流程中~

02

Python ONNX-GPU 使用记录

支持Linux和Windows平台CPU和GPU运算，对mac和手机终端也有相应支持。

02

线上线下混合培训，新功能「培训班」帮你！

就在刚刚，腾讯乐享升级了培训项目管理，乐乐迫不及待来告诉大家啦～这一次的版本大升级，隆重推出了「培训班」项目类型，适合线上线下混合学习模式。 *培训项目管理，是腾讯乐享内集课程、考试、问卷等功能于一体的企业培训功能，能够进行一个学习项目的全周期、智能化管理。新上线的「培训班」，和「线上学习地图」有啥区别？简单来说，线上学习地图适合自动化线上培训，培训班则适合混合式的培训模式——线下的培训也能纳入到线上管理之中。一图速看两种类型对比功能上，培训班目前已上线“面授课程”，即将上线

03

2018DC大数据赛-住房月租金预测大赛总结

当今社会，房屋租金由装修情况、位置地段、户型格局、交通便利程度、市场供需量等多方面因素综合决定，对于租房这个相对传统的行业来说，信息严重不对称一直存在。一方面，房东不了解租房的市场真实价格，只能忍痛空置高租金的房屋；另一方面，租客也找不到满足自己需求高性价比房屋，这造成了租房资源的极大浪费。

01

Catboost：超越Lightgbm和XGBoost的又一个boost算法神器

今天介绍一个超级简单并且又极其实用的boosting算法包Catboost，据开发者所说这一boosting算法是超越Lightgbm和XGBoost的又一个神器。

02

穿上喷气背包与世界共同跳动 | Android 开发者故事

应用全球化的趋势正在让一些公司快速崛起，开发团队如何在这样的背景下提高效率、放眼世界，是所有规模达到一定程度的公司共同面对的问题。

03

2018开发者技能调查报告之Java程序员求职必备技能分析

根据国外开发者平台 HankerRank 发布的2018 年开发者技能调查报告的统计数据，本文摘录程序员求职时必备技能相关的调查结果。

02

2018开发者技能调查报告之Java程序员求职必备技能分析

根据国外开发者平台 HankerRank 发布的2018 年开发者技能调查报告的统计数据，本文摘录程序员求职时必备技能相关的调查结果。

04

LightGBM实战

[LightGBM] [Warning] No further splits with positive gain, best gain: -inf [LightGBM] [Warning] No further splits with positive gain, best gain: -inf [99] valid_0's multi_logloss: 0.264218 [LightGBM] [Warning] No further splits with positive gain, best gain: -inf [LightGBM] [Warning] No further splits with positive gain, best gain: -inf [LightGBM] [Warning] No further splits with positive gain, best gain: -inf [100] valid_0's multi_logloss: 0.264481 [0, 1, 1, 0, 2, 1, 2, 0, 0, 2, 1, 0, 2, 1, 1, 0, 1, 1, 0, 0, 1, 1, 2, 0, 2, 1, 0, 0, 1, 2] 0.9666666666666667

01

Mac安装lightGBM

https://lightgbm.readthedocs.io/en/latest/Installation-Guide.html#macos

02

100家客户内测点赞，学习地图现已全量放开！

乐享快速迭代月的第2波惊喜蓄势已久的学习地图带着产品经理的满满诚意全面开放！我们开放了3个月的内测体验，得到了客户的用心好评：现在，我们将全面开放，真正让每个企业的培训更有序！赋予员工更多学习的乐趣！在企业培训中，我们会遇到哪些阻碍？没激情：员工积极性不高，缺乏学习动力，下发课程无反馈；没体系：没有掌握关键人才的成长路径，提供系统化的培养解决方案；没效果：培训目标不清晰、内容不具体，无法快速应用到实际工作。一个企业为什么需要学习地图？培训的根本⽬的是学以致⽤

02

LightGBM图解理论+视频+安装方法+python代码

LightGBM是个快速的，分布式的，高性能的基于决策树算法的梯度提升框架。可用于排序，分类，回归以及很多其他的机器学习任务中。在竞赛题中，我们知道XGBoost算法非常热门，它是一种优秀的拉动框架，但是在使用过程中，其训练耗时很长，内存占用比较大。在2017年年1月微软在GitHub的上开源了一个新的升压工具--LightGBM。在不降低准确率的前提下，速度提升了10倍左右，占用内存下降了3倍左右。因为他是基于决策树算法的，它采用最优的叶明智策略分裂叶子节点，然而其它的提升算法分裂树一般采用的是深度方向或者水平明智而不是叶，明智的。因此，在LightGBM算法中，当增长到相同的叶子节点，叶明智算法比水平-wise算法减少更多的损失。因此导致更高的精度，而其他的任何已存在的提升算法都不能够达。与此同时，它的速度也让人感到震惊，这就是该算法名字灯的原因。 2014年3月，XGBOOST最早作为研究项目，由陈天奇提出（XGBOOST的部分在另一篇博客里：https://blog.csdn.net/huacha__/article/details/81029680 2017年1月，微软发布首个稳定版LightGBM 在微软亚洲研究院AI头条分享中的「LightGBM简介」中，机器学习组的主管研究员王太峰提到：微软DMTK团队在github上开源了性能超越其它推动决策树工具LightGBM后，三天之内星了1000+次，叉了超过200次。知乎上有近千人关注“如何看待微软开源的LightGBM？”问题，被评价为“速度惊人”，“非常有启发”，“支持分布式” “代码清晰易懂”，“占用内存小”等。以下是微软官方提到的LightGBM的各种优点，以及该项目的开源地址。

02

Kaggle神器LightGBM最全解读！

GBDT (Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。GBDT不仅在工业界应用广泛，通常被用于多分类、点击率预测、搜索排序等任务；在各种数据挖掘竞赛中也是致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。而LightGBM（Light Gradient Boosting Machine）是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。

03

# LightGBM大战XGBoost，谁将夺得桂冠？

如果你是一个机器学习社区的活跃成员，你一定知道提升机器（Boosting Machine）以及它们的能力。提升机器从AdaBoost发展到目前最流行的XGBoost。XGBoost实际上已经成为赢得在Kaggle比赛中公认的算法。这很简单，因为他极其强大。但是，如果数据量极其的大，XGBoost也需要花费很长的时间去训练。

04

如何在Python中快速安装机器学习包：LGB、XGB、CatBoost

问题：有时大家在安装上面几个机器学习的包时，会出现如下类似的错误 (oldgeek) C:\Users\oldgeek>pip install lightgbm Collecting lightgbm WARNING: Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by 'ReadTimeoutError("HTTPSConnectionPool

02

针对恶意软件分类器的可解释性后门投毒

终端安全行业越来越多地采用基于机器学习 (ML) 的工具作为其纵深防御策略的组成部分。特别是，使用源自二进制文件静态分析的特征的分类器通常用于在端点上执行快速、预执行检测和预防，并且通常充当终端用户的第一道防线。同时，了针对恶意软件（malware）检测模型的对抗性攻击的关注度相应增加。该领域的主要焦点是逃避攻击（evasion attack）的发展，其中攻击者的目标是在推理时改变数据点以引起错误分类。然而在本文中关注投毒攻击的潜在问题，它试图影响 ML 训练过程，特别是后门投毒攻击，其中攻击者将精心选择的模式放入特征空间，以便受害者模型学习将其存在与攻击者选择的类别相关联。虽然之前已经针对开源和商业恶意软件分类器的测试证明了规避攻击，但后门投毒为攻击者提供了一种有吸引力的替代方案，它在一开始就需要更多的计算工作，这可能会导致通用规避各种恶意软件样本和目标分类器的能力。当应用于计算机视觉模型而不需要大量投毒样本时，这些后门攻击已被证明是非常有效的，但它们对恶意软件分类域和一般基于特征的模型的适用性尚未被调查。

04

MAC os ：LightGBM Installation Error in MacOS with Anaconda Python3

macos 报错 OSError: dlopen(/Users/yanerrol/opt/anaconda3/envs/py366/lib/python3.6/site-packages/lightgbm/lib_lightgbm.so, 6): Library not loaded: /usr/local/opt/libomp/lib/libomp.dylib Referenced from: /Users/yanerrol/opt/anaconda3/envs/py366/lib/python3.6

02

LightGBM算法总结

1 LightGBM原理 1.1 GBDT和 LightGBM对比 1.2 LightGBM 的动机 1.3 Xgboost 原理 1.4 LightGBM 优化 1.4.1 Histogram 算法 1.4.2 带深度限制的 Leaf-wise 的叶子生长策略　　 1.4.3 直方图加速 1.4.4 直接支持类别特征 1.4.5 LightGBM并行优化 1.5 其他注意 2 lightGBM代码 2.1 基础代码 2.2 模板代码 2.2.1 二分类 2.2.2 多分类 2.3 lightGBM 和 xgboost 的代码比较 2.3.1 划分训练集测试集 2.3.2 设置参数 2.3.3 模型训练 2.3.4 模型执行时间 2.3.5 模型测试 2.3.6 分类转换 2.3.7 准确率计算 2.3.8 roc_auc_score计算 3 lightGBM调参 3.1 参数 3.1 控制参数 3.2 核心参数 3.3 IO参数 3.2 调参 4 lightGBM案例 4.1 回归案例 4.1.1 代码 4.1.2 运行结果 4.2 [ICC竞赛] 精品旅行服务成单预测 4.2.1 业务需求 4.2.2 数据表格 4.2.3 lightGBM模型 5 lightGBM的坑 5.1 设置提前停止 5.2 自动处理类别特征 5.3 自动处理缺失值

03

【 SPA 大赛】win10 python3.5.X 下开启 lightgbm 支持

本文介绍了LightGBM库，它是一个快速、分布式、高性能的梯度提升框架，支持分类和回归任务。LightGBM采用基于决策树的算法，具有高速、高精确度、可扩展性等特点。同时，文章还介绍了如何安装和配置LightGBM，以及如何使用LightGBM进行数据建模和预测。

00

LightGBM大战XGBoost，谁将夺得桂冠？

如果你是一个机器学习社区的活跃成员，你一定知道 **提升机器**（Boosting Machine）以及它们的能力。提升机器从AdaBoost发展到目前最流行的XGBoost。XGBoost实际上已经成为赢得在Kaggle比赛中公认的算法。这很简单，因为他极其强大。但是，如果数据量极其的大，XGBoost也需要花费很长的时间去训练。

03

某地园区视频监控系统项目施工组织方案，值得视频监控类项目参考，文末附下载！

本项目工程监控全部采用网络高清摄像机，主要监视范围为园区四周通道、仓储通道、主要出入口、物业管理办公室、重要设备间的视频监控系统设备安装，讲上述以上区域内的监控信号通过光纤直接传输至室监控机房，并通过NVR设备后端存储。后端机房并需要网络带宽，至少为10兆专线带宽（需要提供至少一个固定的IP地址），此宽带由甲方业主提供。

03

LightGBM原理与实现

不久前微软DMTK(分布式机器学习工具包)团队在GitHub上开源了性能超越其他boosting工具的LightGBM，在三天之内GitHub上被star了1000次，fork了200次。知乎上有近千人关注“如何看待微软开源的LightGBM？”问题，被评价为“速度惊人”，“非常有启发”，“支持分布式”，“代码清晰易懂”，“占用内存小”等。

01

LightGBM——提升机器算法（图解+理论+安装方法+python代码）

LightGBM是个快速的，分布式的，高性能的基于决策树算法的梯度提升框架。可用于排序，分类，回归以及很多其他的机器学习任务中。

03

LightGBM大战XGBoost，谁将夺得桂冠？

如果你是一个机器学习社区的活跃成员，你一定知道 **提升机器**（Boosting Machine）以及它们的能力。提升机器从AdaBoost发展到目前最流行的XGBoost。XGBoost实际上已经成为赢得在Kaggle比赛中公认的算法。这很简单，因为他极其强大。但是，如果数据量极其的大，XGBoost也需要花费很长的时间去训练。

03

文本点击率预估挑战赛-冠亚季军方案总结

搜索中一个重要的任务是根据query和title预测query下doc点击率，本次大赛参赛队伍需要根据脱敏后的数据预测指定doc的点击率，结果按照指定的评价指标使用在线评测数据进行评测和排名，得分最优者获胜。

02

嵌入式软件测试笔记2 |TEmb方法概述

05

3、软件项目组织过程——所有表集合

确定项目组织结构和职责表是项目管理的一个重要步骤，它能够确保项目成功地实施。以下是一些实施中确定项目组织结构和职责表的步骤：

03

机器学习-常用的机器学习算法

谷歌的自动驾驶汽车和机器人得到了很多新闻，但该公司真正的未来是机器学习，这种技术使计算机变得更聪明，更个性化。 - Eric Schmidt（谷歌主席）

03

macos安装LightGBM

1、先通过brew安装 cmake、gcc brew install cmake brew install libomp brew install gcc@7 --without-multilib 2、再make安装LightGBM: git clone --recursive https://github.com/Microsoft/LightGBM ; cd LightGBM export CXX=g++-7 CC=gcc-7 mkdir build ; cd build cmake .. make -

01

开源|LightGBM基本原理，以及调用形式

久前微软 DMTK (分布式机器学习工具包)团队在 GitHub 上开源了性能超越其他 boosting 工具的 LightGBM 知乎上有近千人关注“如何看待微软开源的 LightGBM？”问题，被评价为“速度惊人”，“非常有启发”，“支持分布式”，“代码清晰易懂”，“占用内存小”等。 GBDT ：　　GBDT (Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合

05

LightGBM的参数详解以及如何调优

但我一直对了解哪些参数对性能的影响最大以及我应该如何调优lightGBM参数以最大限度地利用它很感兴趣。

04

机器学习LightGBM实战+随机搜索调参：准确率96.67%

今天给大家分享一下树模型的经典算法：LightGBM，介绍算法产生的背景、原理和特点，最后提供一个基于LightGBM和随机搜索调优的案例。

01

「镁客·请讲」黑晶VR徐强：VR教育先抓核心阵地，快速攻占学校

对于黑晶和徐强来说，核心战略就是集中一切资源优势发展VR教育。教师，传道授业解惑也。不过，随着技术的变迁发展，对于老师们来说，从最早的板书、投影到包括视频、图片在内的数字教室，再到今天正在一点点侵入校园的VR教育，教育的形式愈加丰富多彩，毋庸置疑，虚拟现实所特有的沉浸式体验给教育打开了一扇新的窗口，同时也涌现出越来越多的VR创企，围绕着VR教育探索出各自通向罗马的大道。创建于2008年的黑晶自然是其中的佼佼者，那么在VR教育上颇有建树的他们，又是如何去看待现阶段VR教育的发展呢？天性不安分，早已为V

00

30分钟学会LightGBM

LightGBM可以看成是XGBoost的升级加强版本，2017年经微软推出后，便成为各种数据竞赛中刷分夺冠的神兵利器。

05

沉浸体验：虚拟现实与增强现实技术在教育培训中的应用

随着科技的不断发展，虚拟现实（VR）和增强现实（AR）技术在各个领域的应用越来越广泛，其中包括教育和培训领域。沉浸体验的优势使得这些技术成为了教育培训中的热门选择虚拟现实（VR）和增强现实（AR）技术正在迅速改变教育培训的面貌。这些技术为学习者提供了前所未有的沉浸式、互动性强的学习体验，为教育带来了全新的可能性。

02

探索LightGBM：监督式聚类与异常检测

监督式聚类和异常检测是在监督学习框架下进行的一种特殊形式的数据分析技术。在Python中，LightGBM提供了一些功能来执行监督式聚类和异常检测任务。本教程将详细介绍如何使用LightGBM进行监督式聚类和异常检测，并提供相应的代码示例。

01

【白话机器学习】算法理论+实战之LightGBM算法

如果想从事数据挖掘或者机器学习的工作，掌握常用的机器学习算法是非常有必要的，在这简单的先捋一捋，常见的机器学习算法：

02

人工智能 | LightGBM模型详解

来源：数据科学与人工智能本文约4500字，建议阅读8分钟本文介绍了LightGBM的模型详解。 https://www.showmeai.tech/article-detail/195 之前 ShowMeAI 对强大的 boosting 模型工具 XGBoost 做了介绍『XGBoost模型』详解，本篇我们来学习 GBDT模型模型的另一个进化版本：LightGBM。 LightGBM 是微软开发的 boosting 集成模型，和 XGBoost 一样是对 GBDT 的优化和高效实现，原理有一些相似之处，

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭