lightGBM中幾個常見的畫圖函數

• plot_metric()函數(可以輔助我們判斷是否過擬合）
• plot_importance()函數(可以輔助我們進行特征選擇）
• plot_tree()函數(可選）
• create_tree_digraph()函數(可選）

# -*- coding: utf-8 -*-

import lightgbm as lgb
import numpy as np
import matplotlib.pyplot as plt

print('制造數據...')
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

# 導入到lightgbm矩陣
lgb_train = lgb.Dataset(x_train, y_train)
lgb_test = lgb.Dataset(x_test, y_test, reference=lgb_train)

# 設置參數
params = {
    'num_leaves': 5,
    'metric': ('auc', 'logloss'),  # 可以設置多個評價指標
    'verbose': 0
}
# if (evals_result and gbm) not in locbals():
# global evals_result,gbm
# 如果是局部變量的話，推薦把他們變成全局變量，這樣plot的代碼位置不受限制
evals_result = {}  # 記錄訓練結果所用

print('開始訓練...')
# train
gbm = lgb.train(params,
                lgb_train,
                num_boost_round=100,
                valid_sets=[lgb_train, lgb_test],
                evals_result=evals_result,  # 非常重要的參數,一定要明確設置,輸出的結果是上面一個參數valid_sets配置的值
                verbose_eval=10)

print(evals_result)
print('畫出訓練結果...')
ax = lgb.plot_metric(evals_result, metric='auc')  # metric的值與之前的params里面的值對應
plt.show()

print('畫特征重要性排序...')
lgb.plot_importance(gbm, max_num_features=10)  # max_features表示最多展示出前10個重要性特征，可以自行設置
plt.show()

print('Plot 3th tree...')  # 畫出決策樹，其中的第三顆
lgb.plot_tree(gbm, tree_index=3, figsize=(20, 8), show_info=['split_gain'])
plt.show()

print('導出決策樹的pdf圖像到本地')  # 這里需要安裝graphviz應用程序和python安裝包
graph = lgb.create_tree_digraph(gbm, tree_index=3, name='Tree3')
graph.render(view=True)