Xgboost与Lightgbm参数对比

最近在使用Xgboost与Lightgbm模型来训练数据，众所周知，lightgbm是2016年末微软开源的工具，具体相关信息可以参考一下链接：

Lightgbm: https://github.com/Microsoft/LightGBM 

Xgboost: https://github.com/dmlc/xgboost

两大神器的优缺点，咱们就不讨论了，微软官方给了一些example对比，详情请戳：https://github.com/Microsoft/LightGBM/wiki/Experiments

那么既然这个两个工具这么牛掰，在使用的过程中，怎么根据Xgboost的参数来将LightGbm应用到具体应用场景中呢？

本文根据Kaggle竞赛中使用的相关情况，整理总结出相关参数对应关系如下：

参数比对

Xgboots	LightGbm
booster(default=gbtree)	boosting(default=gbdt)
eta(default=0.3)	learning_rate(default=0.1)
max_depth(default=6)	num_leaves(default=31)
min_child_weight(default=1)	min_sum_hessian_in_leaf(1e-3)
gamma(default=0)	min_gain_to_split(default=0)
subsample(default=1)	bagging_fraction(default=1.0)
colsample_bytree(default=1)	feature_fraction( default=1.0)
alpha(default=0)	lambda_l1(default=0)
lambda(default=1)	lambda_l2(default=0)
objective( default=reg:linear)	application(default=regression)
eval_metric(default according to objective)	metric
nthread	num_threads

待续

Xgboost参数调优完全指南附带demo实践的：传送门