煉丹筆記：記錄我們的成長軌跡

---

LightGBM如何保存模型？

用lgb保存模型遇到了幾個坑，在這里記錄一下。

在用Lightgbm.LGBMClassifier訓練生成模型時，Scikit-learn 官網上建議的兩種方式：

1.pickle方式

這里我寫了保存和加載兩種方式：

import pickle def pkl_save(filename,file):output = open(filename, 'wb')pickle.dump(file, output)output.close()def pkl_load(filename):pkl_file = open(filename, 'rb')file = pickle.load(pkl_file) pkl_file.close()return file

2.joblib方式

from sklearn.externals import joblib joblib.dump(model_lgb, 'dota_model.pkl') clf = joblib.load('dota_model.pkl')

但是，使用你這兩種方式遇到了一個坑，那就是sklearn版本的問題！

你可會發現這個錯誤“ModuleNotFoundError: No module named 'sklearn.preprocessing.label'”

產生這個的原因，是其實已經提醒我們了，

在版本大于0.21的情況下，函數發生了變化。

所以我們介紹第3中保存lightGBM的方式。

3. Booster

clf = lgb.LGBMClassifier( ... ) clf.fit(X_train, y_train, **fit_params) clf.booster_.savemodel("dota_model.txt")

加載：

clf_loads = lgb.Booster(model_file='dota_model.txt') probas = clf_fs.predict(test)

需要注意的是，這里的是predict而不是predict_proba，得到概率。

在Github上所述的（現已關閉） ＃1217問題中 ，從事該項目的Microsoft開發人員說 ，在這種情況下：

booster.predict()實際上將返回概率

因此，不應該寫predict_proba 。

---

LightGBM的metric有哪些？

“None”（字符串），表示無度量，等效于na，null，custom

l1（absolute loss），等效于mean_absolute_error，mae，regression_l1

l2（square loss），等效于mean_squared_error，mse，regression_l2，regression

rmse（平方根損失），等效于root_mean_squared_error，l2_root

quantile，分位數回歸

mape（MAPE損失），等效于mean_absolute_percentage_error

huber（huber損失）

fair（fair損失）

poisson，泊松回歸的負對數似然

gamma，Gamma回歸的負對數似然

gamma_deviance，Gamma回歸殘差

tweedie，Tweedie回歸的負對數似然

ndcg，等效于lambdarank，rank_xendcg，xendcg，xe_ndcg，xe_ndcg_mart，xendcg_mart

map，等效于mean_average_precision

auc

average_precision，平均精度得分

binary_logloss，log loss，等效于binary

binary_error，對于單樣本，0用于正確分類，1用于錯誤分類

auc_mu

multi_logloss，多分類log loss，等效于multiclass，softmax，multiclassova，multiclass_ova，ova，ovr

multi_error，多分類錯誤率

cross_entropy，交叉熵（具有可選的線性權重），等效于xentropy

cross_entropy_lambda，“intensity-weighted”交叉熵，等效于 xentlambda

kullback_leibler，Kullback-Leibler散度，等效于kldiv

如何多個評價指標？

支持多個指標，使用“，”分隔。

• ‘metric’: {‘binary_logloss’, ‘auc’}

總結

以上是生活随笔為你收集整理的LightGBM笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。