Lección 1 del curso LightGBM.
En esta primera lección del curso comenzaremos entendiendo las características generales de LightGBM y viendo un comparativo con XGBoost, lo que nos permitirá entender en qué situaciones conviene usar uno u otro tipo de modelo:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En esencia LightGBM y XGBoost son dos algoritmos, modelos y librerías de Python que permiten desarrollar modelos de ensamble, basados en el principio de potenciación del gradiente.
En la práctica estas dos familias de modelos se entrenan de maneras similares y generan predicciones muy similares. Sin embargo, la gran diferencia radica en la manera como son construidos los árboles de decisión: en el caso de LightGBM se usan diferentes estrategias (que veremos en detalle en las próximas lecciones) que buscan reducir la cantidad de operaciones requeridas al momento de entrenar el modelo.
Esto hace que la diferencia fundamental entre LightGBM y XGBoost sea que el primero es mucho más eficiente computacionalmente, lo que lo hace ideal cuando tenemos sets de datos muy grandes (con cientos de miles o millones de filas y con un número elevado de columnas o características).
Así que teniendo clara la idea básica de LightGBM, en las próximas lecciones veremos en detalle las diferentes estrategias que este algoritmo usa para optimizar ese proceso de entrenamiento. En particular, en la próxima lección comenzaremos viendo la primera de estas estrategias: el crecimiento de árboles por hojas.
Todas las lecciones del curso LightGBM