lightGBM

Halcom

lightGBM
import lightgbm as LGB

1. #建立LGB的dataset格式数据
   
2. lgb_train = LGB.Dataset(X_train, y_train)
   
3. lgb_eval = LGB.Dataset(X_test, y_test, reference=lgb_train)
   
4. #定义超参数dict
   
5. params = {
   
6.     'task': 'train',
   
7.     'boosting_type': 'gbdt',
   
8.     'objective': 'regression',
   
9.     'max_depth': 7,
   
10.     'num_leaves': 31,
    
11.     'learning_rate': 0.1,
    
12.     'feature_fraction': 0.8,
    
13.     'bagging_fraction': 0.8,
    
14.     'bagging_freq': 5,
    
15.     'verbose': -1
    
16. }
    
17. # 训练 train
    
18. m1 = LGB.train(params,lgb_train,num_boost_round=100,
    
19.                valid_sets=[lgb_train,lgb_eval])
    
20. #预测数据集
    
21. y_pred = m1.predict(X_test)

复制代码

保存模型与加载模型：

1. # 保存模型
   
2. LGB.save_model('lightgbm_model.txt')
   
3. 
   
4. # 加载模型
   
5. loaded_gbm = LGB.Booster(model_file='lightgbm_model.txt')
   
6. # 使用加载的模型进行预测
   
7. loaded_y_pred = loaded_gbm.predict(X_test, num_iteration=loaded_gbm.best_iteration)

复制代码

PS：不友好的是，原生接口每次只能预测一个变量，多输出需要自己构建多个模型
参考
【1】建议使用原生接口 https://blog.csdn.net/sa726663676/article/details/125229357
【2】https://github.com/Wanke15/Light ... /blob/main/test.cpp

Halcom

C++
#include <LightGBM/c_api.h>

1. int main() {
   
2.     // 模型文件路径
   
3.     const char* model_file = "model.txt";
   
4. 
   
5.     // 用于存储模型的迭代次数和句柄
   
6.     int num_iterations = 0;
   
7.     BoosterHandle booster_handle;
   
8. 
   
9.     // 加载模型
   
10.         int ret ;
    
11.         int p=1;
    
12.         FEATURE_LENGTH = feature_num;  // 输入的特征长度
    
13.         ret = LGBM_BoosterCreateFromModelfile(model_path.data(), &p, &booster_handle);
    
14.     if (ret != 0) {
    
15.         std::cerr << "Failed to load model from file " << model_file << std::endl;
    
16.         return -1;
    
17.     }
    
18. 
    
19.     // 执行预测（注意：）
    
20.         void* in_p = static_cast<void*>(input_data.data());
    
21.         std::vector<double> out(1, 0);
    
22.         double* out_result = static_cast<double*>(out.data());
    
23.         int64_t out_len;
    
24.         int res = LGBM_BoosterPredictForMat(model, in_p, C_API_DTYPE_FLOAT32, 1, FEATURE_LENGTH, 1, C_API_PREDICT_NORMAL, 0, -1, "None", &out_len, out_result);
    
25. 
    
26.     LGBM_BoosterFree(booster_handle);
    
27. 
    
28.     return 0;
    
29. }

复制代码