进阶主题

    • 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 指定分类特征 参考 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 比较小，或者 #category 比较大）
    • 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 标签。
    • 使用 max_position 设置 NDCG 优化位置。

    参数优化

    • 参考 .

    GPU 的支持