LightGBM+Optuna 建模自动调参教程

在kaggle机器学习竞赛赛中有一个调参神器组合非常热门，在很多个top方案中频频出现LightGBM+Optuna。知道很多小伙伴苦恼于漫长的调参时间里，这次结合一些自己的经验，给大家带来一个LGBM模型+OPTUNA调参的使用教程，这对可谓是非常实用且容易上分的神器组合了，实际工作中也可使用。

关于LightGBM不多说了，之前分享过很多文章，它是在XGBoost基础上对效率提升的优化版本，由微软发布的，运行效率极高，且准确度不降。目前是公认比较好，且广泛使用的机器学习模型了，分类回归均可满足。

关于调参，也就是模型的超参数调优，可能你会想到GridSearch。确实最开始我也在用GridSearch，暴力美学虽然好，但它的缺点很明显，运行太耗时，时间成本太高。相比之下，基于贝叶斯框架下的调参工具就舒服多了。这类开源工具也很多，常见的比如HyperOPT。当然今天主角不是它，而是另外一个更香的OPTUNA，轻量级且功能更强大，速度也是快到起飞！

因为需要用 LGBM 配合举例讲解，下面先从 LGBM 的几个主要超参数开始介绍，然后再根据这些超参设置 Optuna 进行调参。

技术交流

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

相关文件及代码都已上传，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、添加微信号：dkl88194，备注：来自CSDN + 加群
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

LightGBM参数概述

通常，基于树的模型的超参数可以分为 4 类：

1. 影响决策树结构和学习的参数

2. 影响训练速度的参数

3. 提高精度的参数

4. 防止过拟合的参数

大多数时候，这些类别有很多重叠，提高一个类别的效率可能会降低另一个类别的效率。如果完全靠手动调参，那会比较痛苦。所以前期我们可以利用一些自动化调参工具给出一个大致的结果，而自动调参工具的核心在于如何给定适合的参数区间范围。 如果能给定合适的参数网格，Optuna 就可以自动找到这些类别之间最平衡的参数组合。

下面对LGBM的4类超参进行介绍。

1、控制树结构的超参数

max_depth 和 num_leaves

在 LGBM 中，控制树结构的最先要调的参数是max_depth（树深度） 和 num_leaves（叶子节点数）。这两个参数对于树结构的控制最直接了断，因为 LGBM 是 leaf-wise 的，如果不控制树深度，会非常容易过拟合。max_depth一般设置可以尝试设置为3到8。

这两个参数也存在一定的关系。由于是二叉树，num_leaves最大值应该是2^(max_depth)。所以，确定了max_depth也就意味着确定了num_leaves的取值范围。

min_data_in_leaf

树的另一个重要结构参数是min_data_in_leaf，它的大小也与是否过拟合有关。它指定了叶子节点向下分裂的的最小样本数，比如设置100，那么如果节点样本数量不够100就停止生长。当然，min_data_in_leaf的设定也取决于训练样本的数量和num_leaves。对于大数据集，一般会设置千级以上。

提高准确性的超参数

learning_rate 和 n_estimators

实现更高准确率的常见方法是使用更多棵子树并降低学习率。换句话说，就是要找到LGBM中n_estimators和learning_rate的最佳组合。

n_estimators控制决策树的数量，而learning_rate是梯度下降的步长参数。经验来说，LGBM 比较容易过拟合，learning_rate可以用来控制梯度提升学习的速度，一般值可设在 0.01 和 0.3 之间。一般做法是先用稍多一些的子树比如1000，并设一个较低的learning_rate，然后通过early_stopping找到最优迭代次数。

max_bin

除此外，也可以增加max_bin(默认值为255)来提高准确率。因为变量分箱的数量越多，信息保留越详细，相反，变量分箱数量越低，信息越损失，但更容易泛化。这个和特征工程的分箱是一个道理，只不过是通过内部的hist直方图算法处理了。如果max_bin过高，同样也存在过度拟合的风险。

更多超参数来控制过拟合

lambda_l1 和 lambda_l2

lambda_l1 和 lambda_l2 对应着 L1 和 L2 正则化，和 XGBoost 的 reg_lambda 和 reg_alpha 是一样的，对叶子节点数和叶子节点权重的惩罚，值越高惩罚越大。这些参数的最佳值更难调整，因为它们的大小与过拟合没有直接关系，但会有影响。一般的搜索范围可以在 (0, 100)。

min_gain_to_split

这个参数定义着分裂的最小增益。这个参数也看出数据的质量如何，计算的增益不高，就无法向下分裂。如果你设置的深度很深，但又无法向下分裂，LGBM就会提示warning，无法找到可以分裂的了。参数含义和 XGBoost 的 gamma 是一样，说明数据质量已经达到了极限了。比较保守的搜索范围是 (0, 20)，它可以用作大型参数网格中的额外正则化。

bagging_fraction 和 feature_fraction

这两个参数取值范围都在(0,1)之间。

feature_fraction指定训练每棵树时要采样的特征百分比，它存在的意义也是为了避免过拟合。因为有些特征增益很高，可能造成每棵子树分裂的时候都会用到同一个特征，这样每个子树就同质化了。而如果通过较低概率的特征采样，可以避免每次都遇到一样的强特征，从而让子树的特征变得差异化，即泛化。

bagging_fraction指定用于训练每棵树的训练样本百分比。要使用这个参数，还需要设置 bagging_freq，道理和feature_fraction一样，也是让没棵子树都变得好而不同。

在 Optuna 中创建搜索网格

Optuna 中的优化过程首先需要一个目标函数，该函数里面包括：

• 字典形式的参数网格

• 创建一个模型（可以配合交叉验证kfold）来尝试超参数组合集

• 用于模型训练的数据集

• 使用此模型生成预测

• 根据用户定义的指标对预测进行评分并返回

下面给出一个常用的框架，模型是5折的Kfold，这样可以保证模型的稳定性。最后一行返回了需要优化的 CV 分数的平均值。目标函数可以自己设定，比如指标logloss最小，auc最大，ks最大，训练集和测试集的auc差距最小等等。

import optuna  # pip install optuna
from sklearn.metrics import log_loss
from sklearn.model_selection import StratifiedKFold

def objective(trial, X, y):
    # 后面填充
    param_grid = {
    
    }
    cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=1121218)

    cv_scores = np.empty(5)
    for idx, (train_idx, test_idx) in enumerate(cv.split(X, y)):
        X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]
        y_train, y_test = y[train_idx], y[test_idx]

        model = lgbm.LGBMClassifier(objective="binary", **param_grid)
        model.fit(
            X_train,
            y_train,
            eval_set=[(X_test, y_test)],
            eval_metric="binary_logloss",
            early_stopping_rounds=100,
        )
        preds = model.predict_proba(X_test)
        cv_scores[idx] = preds

    return np.mean(cv_scores)

下面是参数的设置，Optuna比较常见的参数设置方式有suggest_categorical，suggest_int，suggest_float。其中，suggest_int和suggest_float的设置方式为(参数，最小值，最大值，step=步长)。

def objective(trial, X, y):
    # 字典形式的参数网格
    param_grid = {
    
    
        "n_estimators": trial.suggest_categorical("n_estimators", [10000]),
        "learning_rate": trial.suggest_float("learning_rate", 0.01, 0.3),
        "num_leaves": trial.suggest_int("num_leaves", 20, 3000, step=20),
        "max_depth": trial.suggest_int("max_depth", 3, 12),
        "min_data_in_leaf": trial.suggest_int("min_data_in_leaf", 200, 10000, step=100),
        "max_bin": trial.suggest_int("max_bin", 200, 300),
        "lambda_l1": trial.suggest_int("lambda_l1", 0, 100, step=5),
        "lambda_l2": trial.suggest_int("lambda_l2", 0, 100, step=5),
        "min_gain_to_split": trial.suggest_float("min_gain_to_split", 0, 15),
        "bagging_fraction": trial.suggest_float(
            "bagging_fraction", 0.2, 0.95, step=0.1
        ),
        "bagging_freq": trial.suggest_categorical("bagging_freq", [1]),
        "feature_fraction": trial.suggest_float(
            "feature_fraction", 0.2, 0.95, step=0.1
        ),
    }

创建 Optuna 自动调起来

下面是完整的目标函数框架，供参考：

from optuna.integration import LightGBMPruningCallback

def objective(trial, X, y):
    # 参数网格
    param_grid = {
    
    
        "n_estimators": trial.suggest_categorical("n_estimators", [10000]),
        "learning_rate": trial.suggest_float("learning_rate", 0.01, 0.3),
        "num_leaves": trial.suggest_int("num_leaves", 20, 3000, step=20),
        "max_depth": trial.suggest_int("max_depth", 3, 12),
        "min_data_in_leaf": trial.suggest_int("min_data_in_leaf", 200, 10000, step=100),
        "lambda_l1": trial.suggest_int("lambda_l1", 0, 100, step=5),
        "lambda_l2": trial.suggest_int("lambda_l2", 0, 100, step=5),
        "min_gain_to_split": trial.suggest_float("min_gain_to_split", 0, 15),
        "bagging_fraction": trial.suggest_float("bagging_fraction", 0.2, 0.95, step=0.1),
        "bagging_freq": trial.suggest_categorical("bagging_freq", [1]),
        "feature_fraction": trial.suggest_float("feature_fraction", 0.2, 0.95, step=0.1),
        "random_state": 2021,
    }
    # 5折交叉验证
    cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=1121218)

    cv_scores = np.empty(5)
    for idx, (train_idx, test_idx) in enumerate(cv.split(X, y)):
        X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]
        y_train, y_test = y[train_idx], y[test_idx]
        
        # LGBM建模
        model = lgbm.LGBMClassifier(objective="binary", **param_grid)
        model.fit(
            X_train,
            y_train,
            eval_set=[(X_test, y_test)],
            eval_metric="binary_logloss",
            early_stopping_rounds=100,
            callbacks=[
                LightGBMPruningCallback(trial, "binary_logloss")
            ],
        )
        # 模型预测
        preds = model.predict_proba(X_test)
        # 优化指标logloss最小
        cv_scores[idx] = log_loss(y_test, preds)

    return np.mean(cv_scores)

上面这个网格里，还添加了LightGBMPruningCallback，这个callback类很方便，它可以在对数据进行训练之前检测出不太好的超参数集，从而显着减少搜索时间。

设置完目标函数，现在让参数调起来！

study = optuna.create_study(direction="minimize", study_name="LGBM Classifier")
func = lambda trial: objective(trial, X, y)
study.optimize(func, n_trials=20)

direction可以是minimize，也可以是maximize，比如让auc最大化。然后可以设置trials来控制尝试的次数，理论上次数越多结果越优，但也要考虑下运行时间。

搜索完成后，调用best_value和bast_params属性，调参就出来了。

print(f"\tBest value (rmse): {
      
      study.best_value:.5f}")
print(f"\tBest params:")

for key, value in study.best_params.items():
    print(f"\t\t{
      
      key}: {
      
      value}")
    
-----------------------------------------------------
Best value (binary_logloss): 0.35738
 Best params:
  device: gpu
  lambda_l1: 7.71800699380605e-05
  lambda_l2: 4.17890272377219e-06
  bagging_fraction: 0.7000000000000001
  feature_fraction: 0.4
  bagging_freq: 5
  max_depth: 5
  num_leaves: 1007
  min_data_in_leaf: 45
  min_split_gain: 15.703519227860273
  learning_rate: 0.010784015325759629
  n_estimators: 10000

得到这个参数组合后，我们就可以拿去跑模型了，看结果再手动微调，这样就可以省很多时间了。

结语

本文给出了一个通过Optuna调参LGBM的代码框架，使用及其方便，参数区间范围需要根据数据情况自行调整，优化目标可以自定定义，不限于以上代码的logloss。