进阶主题

缺失值的处理

• LightGBM 通过默认的方式来处理缺失值，你可以通过设置 use_missing=false 来使其无效。
• LightGBM 通过默认的的方式用 NA (NaN) 去表示缺失值，你可以通过设置 zero_as_missing=true 将其变为零。
• 当设置 zero_as_missing=false （默认）时，在稀疏矩阵里 (和LightSVM) ，没有显示的值视为零。
• 当设置 zero_as_missing=true 时， NA 和 0 （包括在稀疏矩阵里，没有显示的值）视为缺失。

分类特征的支持

• 当使用本地分类特征，LightGBM 能提供良好的精确度。不像简单的 one-hot 编码，LightGBM 可以找到分类特征的最优分割。 相对于 one-hot 编码结果，LightGBM 可以提供更加准确的最优分割。
• 用 categorical_feature 指定分类特征 参考 Parameters 的参数 categorical_feature
• 首先需要转换为 int 类型，并且只支持非负数。 将其转换为连续范围更好。
• 使用 min_data_per_group, cat_smooth 去处理过拟合（当 #data 比较小，或者 #category 比较大）
• 对于具有高基数的分类特征(#category 比较大), 最好把它转化为数字特征。

LambdaRank

• 标签应该是 int 类型，较大的数字代表更高的相关性（例如：0：坏，1：公平，2：好，3：完美）。
• 使用 label_gain 设置增益（重量）的 int 标签。
• 使用 max_position 设置 NDCG 优化位置。

参数优化

• 参考 参数优化 .

并行学习

• 参考 并行学习指南 .

GPU 的支持

• 参考 GPU 教程 和 GPU Targets

GCC 用户的建议 (MinGW, *nix)

• 参考 gcc 建议.

---

我们一直在努力

apachecn/AiLearning

---