概要

GBDTをベースにしたLightGBM。
ハイパーパラメータのチューニングにoptunaを試してみたのでまとめる。

LightGBMとは

決定木をベースにした手法。
正確には GBDT (Gradient Boosting Decision Tree) という仕組みで動いており、
決定木を直列に繋いで正解との誤差を小さくしていくように学習する。
決定木を使った手法はいろいろあるが、例えばランダムフォレストは決定木を並列に繋いでアンサンブルを取るという点でGBDTと異なる。

参考： https://qiita.com/triwave33/items/aad60f25485a4595b5c8

GBDTを利用した有名な手法としてXGBoostがある。
一方LightGBMは近年Kaggleなどでもよく使われる手法で、XGBoostとほぼ変わらない精度で軽量である点が優れている。

LightGBMの使い方

以下のようにハイパーパラメータを指定する
ここではmecticsとしてmap@12を指定してるが、必要に応じて変える

import lightgbm as lgb

params = {
    'objective': 'lambdarank',
    'metric': 'map',
    'map_eval_at': [12],
    'num_leaves': 63,         # default = 31,
    'learning_rate': 0.01,    # default = 0.1
    'feature_fraction': 0.8,  # default = 1.0
    'bagging_freq': 1,        # default = 0
    'bagging_fraction': 0.8,  # default = 1.0
    'random_state': 0,        # default = None
}
num_round = 100

以下のようにtrainのときにparameterを渡してあげる
LightGBMの場合はquery_listを渡す必要がある（本記事では詳細は割愛）
num_roundは決定木を直列に何本繋ぐかを表している
適当に決め打ちで指定してもいいが、この値を大きめに設定しておいてearly stoppingでいい感じのとこで打ち切るのがおすすめ
無論trainのメトリクスは学習を続ければ続けるほど良くなるが、これでは過学習に陥ってしまうので、early stoppingではvalidationのメトリクスが変化しなくなったタイミングで止める

lgb_train = lgb.Dataset(train_x, train_y, group=query_list_train)
lgb_eval = lgb.Dataset(valid_x, valid_y, group=query_list_valid)

# training
model = lgb.train(params, lgb_train, 
                  num_boost_round=num_round, 
                  valid_names=['train', 'valid'], 
                  valid_sets=[lgb_train, lgb_eval],
                  early_stopping_rounds=20
                 )

# prediction
pred = model.predict(test, num_iteration=model.best_iteration)

Optunaを使ってみる

OptunaにはLightGBM Tunerという機能があり、これを使うと超簡単にハイパーパラメータの探索をやってくれる。
やり方は

import lightgbm as lgb

を

import optuna.integration.lightgbm as lgb

にするだけ。
あとはlgb.train()実行時に勝手にハイパーパラメータの探索を行ってくれる

参考：https://tech.preferred.jp/ja/blog/hyperparameter-tuning-with-optuna-integration-lightgbm-tuner/

探索後のパラメータはmodel.paramsで取得できる

各種パラメータの意味

objective

回帰ならregression
ランク学習ならlambdarank
などなど

metric

メトリクスとして何を使うか
ndcg, mapなどを指定できる

ndcg/map_eval_at

NDCG/MAP@kのkを設定する
[12, 24]など複数指定も可能

num_leaves

決定木の最大の葉の数
大きいほど複雑なモデルを作れるが、過学習になりやすい
default: 31

learning_rate

学習率
学習するたびにどれくらいその結果を強く反映させるか
小さいほど細かなチューニングができるが、時間がかかる
default: 0.1

feature_fraction

Scikit-Learn　APIでの名前: colsample_bytree
決定木ごとにランダムに抽出される列の割合
値が大きいほど過学習になりやすい
-　default: 1.0

bagging_freq

設定した値のイテレーション毎にバギング実施する
-　大きいほど過学習になりやすい
default: 0

概要