Problèmes dans les modules internes LightGBM

Question

Impossible de comprendre ce qui se passe avec LightGBM (plate-forme Windows). Auparavant, j'avais cet algorithme très puissant, mais maintenant sa performance est si mauvaise.

A titre de comparaison (les paramètres par défaut de chaque algorithme) LightGBM effectue selon simples DIFF -metric = (réelle - prédiction):

• CatBoostRegressor() - 18142884
• XGBoostRegressor() - 20235110
• GradientBoostingRegressor() - 20437130
• LGBMRegressor() - (version = 2.0.5)

je tentais de trouver de meilleurs paramètres avec HyperOpt, mais aussi sans succès

LGBM_SPACE = { 
    'type': 'LGBM', 
    'task': hp.choice('lgbm_task', ['train', 'prediction']), 
    'boosting_type': hp.choice('lgbm_boosting_type', ['gbdt', 'dart']), 
    'objective': hp.choice('lgbm_objective', ['regression']), 
    'n_estimators': hp.choice('lgbm_n_estimators', range(10, 201, 5)), 
    'learning_rate': hp.uniform('lgbm_learning_rate', 0.05, 1.0), 
    'num_leaves': hp.choice('lgbm_num_leaves', range(2, 7, 1)), 
    'tree_learner': hp.choice('lgbm_tree_learner', ['serial', 'feature', 'data']), 
    'metric': hp.choice('lgbm_metric', ['l1', 'l2', 'huber', 'fair']), 
    'huber_delta': hp.uniform('lgbm_huber_delta', 0.0, 1.0), 
    'fair_c': hp.uniform('lgbm_fair_c', 0.0, 1.0), 
    'max_depth': hp.choice('lgbm_max_depth', range(3, 11)), 
    'min_data_in_leaf': hp.choice('lgbm_min_data_in_leaf', range(0, 6, 1)), 
    'min_sum_hessian_in_leaf': hp.loguniform('lgbm_min_sum_hessian_in_leaf', -16, 5), 
    'feature_fraction': hp.uniform('lgbm_feature_fractionf', 0.0, 1.0), 
    'feature_fraction_seed': hp.choice('lgbm_feature_fraction_seed', [12345]), 
    'bagging_fraction': hp.uniform('lgbm_bagging_fraction', 0.0, 1.0), 
    'bagging_freq': hp.choice('lgbm_bagging_freq', range(0, 16, 1)), 
    'bagging_seed': hp.choice('lgbm_bagging_seed', [12345]), 
    'min_gain_to_split': hp.uniform('lgbm_min_gain_to_split', 0.0, 1.0), 
    'drop_rate': hp.uniform('lgbm_drop_rate', 0.0, 1.0), 
    'skip_drop': hp.uniform('lgbm_skip_drop', 0.0, 1.0), 
    'max_drop': hp.choice('lgbm_max_drop', [-1] + range(2, 51, 1)), 
    'drop_seed': hp.choice('lgbm_uniform_drop', [12345]), 
    'verbose': hp.choice('lgbm_verbose', [-1]), 
    'num_threads': hp.choice('lgbm_threads', [2]), 
} 

Le meilleur résultat était 450422301, c'est super mal à comparer avec ci-dessus.

Exemple d'utilisation comme toutes les API scikit-learn:

model = LGBMRegressor() 
model.fit(X, Y) 
model.predict(XT) 

Answer 1

S'il vous plaît essayer d'utiliser le dernier code de la branche principale. Il y avait une occurrence de paramètres incohérents dans l'API Scikit-learn qui a été corrigé: #1033.

Ou vous pouvez ajouter à votre alg_conf "min_child_weight": 1E-3, "min_child_samples": 20.