文件详细地描述了LightGBM的使用教程与各种例子：包括R语言、python、docker等等。供给机器学习初学者使用，加油。

yasa_classifiers 该存储库包含用于生成YASA睡眠阶段模块的预训练分类器的笔记本： : 可以在sleepdata.org上找到数据集。 您需要请求数据访问权限才能下载数据集。 具体而言，使用以下数据集对睡眠分期分类器进行训练：CCSHS，CFS，CHAT，HomePAP，MESA，MrOS，SHHS。 脚步 01_features_nsrr_\*.ipynb ：从原始PSG文件计算特征。 确保更新路径！ 02_create_classifiers.ipynb ：训练并导出睡眠阶段分类器。

LightGBM 绝地求生案例

LightGBM专题，收录了有关博客的笔记和论文：LightGBM介绍及参数调优，LightGBM——提升机器算法（图解+理论+安装方法+python代码），XGBoost、LightGBM的详细对比介绍，LightGBM官方文档，lightGBM原理、改进简述，机器学习：机器学习时代三大神器GBDT、XGBoost、LightGBM，机器学习算法之LightGBM，LightGBM原理-LightGBM: A Highly Efficient Gradient Boosting Decision Tree 附有论文pdf，从结构到性能，一文概述XGBoost、Light GBM和CatBoost的同与不同

机器学习与算法源代码10： 机器学习神器：XGBoost&LightGBM模型.zip

JPMML-LightGBM Java库和命令行应用程序，用于将模型转换为PMML。 先决条件 LightGBM 2.0.0或更高版本。 Java 1.8或更高版本。 安装 输入项目根目录并使用构建： mvn clean install 构建生成可执行的uber-JAR文件target/jpmml-lightgbm-executable-1.3-SNAPSHOT.jar 。 用法 典型的工作流程可以总结如下： 使用LightGBM训练模型。 将模型保存到本地文件系统中的文本文件中。 使用JPMML-LightGBM命令行转换器应用程序将此文本文件转换为PMML文件。 LightGBM操作方面 使用软件包为示例波士顿住房数据集训练回归模型： from sklearn . datasets import load_boston boston = load_boston () fr

员工流失预测 这是使用xgboost＆GBDT＆Lightgbm＆ngboost预测员工流失的项目

LightGBM/utils/common.h:57:26: 错误：‘void* malloc(size_t)’先被声明为‘extern’后又被声明为‘static’gcc/x86_64-pc-linux-gnu/9.1.0/include/mm_malloc.h:41:7: 错误：‘__alignment’在此作用域中尚未声明

1、内容概要：本资源主要基于XGBoost与LightGBM实现文本分类，适用于初学者学习文本分类使用。 2、数据集为电商真实商品评论数据，主要包括训练集data_train，测试集data_test ，经过预处理的训练集clean_data_train，训练好的word2vec词向量模型w2v_model.pkl和中文停用词表stopwords.txt，可用于模型训练和测试，详细数据集介绍见商品评论情感数据说明文档。 3、源代码：word2vec_analysis.py 是基于Word2Vec进行词向量的生成，采用向量平均求得句向量，然后分别构建RandomForest和GBDT分类模型进行文本分类。 4、源代码：xgboost_model.py是基于xgboost模型对文本进行分类。 5、源代码：lightGBM_model.py是基于lightGBM模型对文本进行分类。

lightgbm2.03版本，windows版本，python2和python3都可以用，