时间戳

首页 > 解决方案 > model.LGBMRegressor.fit(x_train, y_train) 和 lightgbm.train(train_data, valid_sets = test_data) 有什么区别？

python - model.LGBMRegressor.fit(x_train, y_train) 和 lightgbm.train(train_data, valid_sets = test_data) 有什么区别？

问题描述

我尝试了两种实现轻 GBM 的方法。期望它返回相同的值，但它没有。

我认为lgb.LightGBMRegressor()并且lgb.train(train_data, test_data)会返回相同的准确性，但事实并非如此。所以我想知道为什么？

打破数据的功能

def dataready(train, test, predictvar):
    included_features = train.columns
    y_test = test[predictvar].values
    y_train = train[predictvar].ravel()
    train = train.drop([predictvar], axis = 1)
    test = test.drop([predictvar], axis = 1)
    x_train = train.values
    x_test = test.values
    return x_train, y_train, x_test, y_test, train

这就是我分解数据的方式

x_train, y_train, x_test, y_test, train2 = dataready(train, test, 'runtime.min')
train_data = lgb.Dataset(x_train, label=y_train)
test_data = lgb.Dataset(x_test, label=y_test)

预测模型

lgb1 = LMGBRegressor()
lgb1.fit(x_train, y_train)
lgb = lgb.train(parameters,train_data,valid_sets=test_data,num_boost_round=5000,early_stopping_rounds=100)

我希望它大致相同，但事实并非如此。据我了解，一个是助推器，另一个是回归器？

标签： pythonmachine-learningdata-sciencelightgbm

解决方案

LGBMRegressor是sklearn接口。该.fit(X, y)调用是用于模型训练的标准 sklearn 语法。它是一个类对象，您可以将其用作 sklearn 生态系统的一部分（用于运行管道、参数调整等）。

lightgbm.train是 lightgbm 本身的核心训练 API。

XGBoost 和许多其他流行的 ML 训练库也有类似的区别（核心 API 使用xgb.train(...)，例如 sklearn API 使用XGBClassifieror XGBRegressor）。

推荐阅读