【排序】LightGBM Ranker的一些使用问题
使用： https://www.kaggle.com/code/bturan19/lightgbm-ranker-introduction/notebook。讨论label_gain的设置方法，可以单独设置，而且可以尝试以指数形式增长，如label_gain=[1, 2, 4, 8, 16]可以看出除了 Classifier 和 Regressor，就支持 Ranker，说明 Ranker 还是很
LGBranker
官方手册：lightgbm.LGBMRanker — LightGBM 4.6.0.99 documentation
可以看出除了 Classifier 和 Regressor，就支持 Ranker，说明 Ranker 还是很重要和常用的。
使用示例
使用： https://www.kaggle.com/code/bturan19/lightgbm-ranker-introduction/notebook
常见问题
"label_gain"如何设置
label_gain 默认是30，不能超过1。原因好像是复杂度非常高。
https://github.com/microsoft/LightGBM/issues/3422#issuecomment-703920798
在参数里设置：
"label_gain": [i for i in range(max(y_train.max(), y_valid.max()) + 1)],讨论label_gain的设置方法，可以单独设置，而且可以尝试以指数形式增长，如label_gain=[1, 2, 4, 8, 16]
不一定就是按照label_gain=[1, 2, 3, 4, 5]
https://github.com/microsoft/LightGBM/issues/4808
优化建议：
(1)我们通常会关注排名靠前的文档。因此，一种评论解决方案，将最“糟糕”的文档标记为一个标签，例如 0。
(2)如果你真的需要对所有 5000 个文档进行排名，也许使用regression或pair-wise 会更好。
https://github.com/microsoft/LightGBM/issues/2892#issuecomment-596525112
参考信息：
日本的一个比赛，基本面分析，第一。
使用 lgbranker，并且直接用 shap 来解释model
explainer = shap.TreeExplainer(estimators[-1].estimator_low_.estimator)
shap_values = explainer.shap_values(X)
shap.summary_plot(shap_values, X, max_display=X.shape[1])
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
4
0- 0
已为社区贡献13条内容
所有评论(0)