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，

DF电商训练赛lightgbm

lightgbm模型保存为pmml文件 机器学习lgbm模型存为pmml文件， 使用方法查阅附件内容txt文件

1、lgb模型转换pmml格式

高级工具库xgboost/LightGBM与建模实战：xgboost应用和实践，LightGBM

本文件主要基于微软开源的LightGBM项目，对其中的application.h,application.hpp,predictor.hpp文件进行修改，添加用于实时预测的C++ API ，方便用户部署预测速度飞快的C/C++线上预测模型。

m5-forecasting-lightgbm-kaggle

LightGBM 的 MATLAB 包装器

本文主要参考Battle of the Boosting Algos: LGB, XGB, Catboost，结果与原文有出入。 文章目录1. 对比标准1.1 数据集1.2 规则1.3 版本2. 结果2.1 准确率2.2 训练时间和预测时间2.3 可解释性2.3.1 特征重要性2.3.2 SHAP值2.3.3 可视化二叉树3. 总结4. 代码参考文献 1. 对比标准 1.1 数据集 分类：Fashion MNIST（60000条数据784个特征） 回归：NYC Taxi fares（60000条数据7个特征） 大规模数据集：NYC Taxi fares（2百万条数据7个特征） PS：本文只进行