LightGBM的黑科技--plot函数 - 好文

本教程教萌新如何使用lightgbm里面可视化函数

作者：JasonChen

文章内容概览：

* 保留训练结果
* plot_metric()函数的使用（重要）
* plot_importance()函数的使用（重要）
* plot_tree()函数的使用（可选）
* create_tree_digraph()函数的使用（可选）
依赖:
- python3
- lightgbm
- graphviz（可选）
- matplotlib

graphviz安装教程

*
1.下载安装包到本地—–可爱的传送门graphviz的官方安装地址
<https://graphviz.gitlab.io/_pages/Download/Download_windows.html>

*
2.下载之后解压并选择解压目录

*
3.配置环境变量：将bin目录添加到Path环境变量中。

* 4.打开cmd(win+R) , 输入dot -version，如果显示如下，则表示安装成功 ——————-
结果预览

*
plot_metric

*
plot_importance

*
plot_tree()

*
create_tree_digraph

代码块
import lightgbm as lgb import pandas as pd import numpy as np import
matplotlib.pyplotas plt print('数据...') x_train = np.random.random((1000,10))
y_train = np.random.rand(1000)>0.5 x_test = np.random.random((100,10)) y_test =
np.random.randn(100)>0.5 # 导入到lightgbm矩阵 lgb_train = lgb.Dataset(x_train,
y_train) lgb_test = lgb.Dataset(x_test, y_test, reference=lgb_train)# 设置参数
params = {'num_leaves': 5, 'metric': ('auc', 'logloss'),#可以设置多个评价指标 'verbose': 0
}# if (evals_result and gbm) not in locbals(): # global evals_result,gbm
#如果是局部变量的话，推荐把他们变成全局变量，这样plot的代码位置不受限制 evals_result = {} #记录训练结果所用 print(
'开始训练...') # train gbm = lgb.train(params, lgb_train, num_boost_round=100,
valid_sets=[lgb_train, lgb_test], evals_result=evals_result,#非常重要的参数,一定要明确设置
verbose_eval=10) print('画出训练结果...') ax = lgb.plot_metric(evals_result, metric=
'auc')#metric的值与之前的params里面的值对应 plt.show() print('画特征重要性排序...') ax =
lgb.plot_importance(gbm, max_num_features=10)
#max_features表示最多展示出前10个重要性特征，可以自行设置 plt.show() print('Plot 3th tree...') #
画出决策树，其中的第三颗 ax = lgb.plot_tree(gbm, tree_index=3, figsize=(20, 8), show_info=[
'split_gain']) plt.show() print('导出决策树的pdf图像到本地')#这里需要安装graphviz应用程序和python安装包
graph = lgb.create_tree_digraph(gbm, tree_index=3, name='Tree3')
graph.render(view=True)
本文完

官网的参考连接如下：
(
https://github.com/Microsoft/LightGBM/blob/master/examples/python-guide/plot_example.py

<https://github.com/Microsoft/LightGBM/blob/master/examples/python-guide/plot_example.py>
)

热门工具换一换