لايت جي بي إم

كيف تحقق LightGBM الأداء العالي

ترجع سرعة LightGBM واستخدامها المنخفض للذاكرة إلى العديد من الابتكارات الرئيسية التي تميزها عن طرق تعزيز التدرج الأخرى. تعمل هذه التقنيات معًا لتحسين عملية التدريب دون التضحية بالدقة.

• نمو الشجرة ورقة ورقة: على عكس الخوارزميات التقليدية التي تنمي الأشجار مستوى تلو الآخر، فإن LightGBM تنميها ورقة تلو الأخرى. فهي تختار الورقة ذات الحد الأقصى من خسارة دلتا للنمو، مما يسمح للنموذج بالتقارب بسرعة أكبر وغالبًا ما ينتج عنه خسارة أقل لنفس عدد التكرارات.
• أخذ العينات أحادية الجانب القائمة على التدرج (GOSS): تركز هذه الطريقة على مثيلات البيانات ذات التدرجات الكبيرة (أي تلك التي لا يمكن التنبؤ بها بشكل جيد). وهي تحتفظ بجميع الحالات ذات التدرجات الكبيرة وتأخذ عينات عشوائية من تلك ذات التدرجات الصغيرة، مما يحقق التوازن بين الدقة وسرعة التدريب.
• تجميع الميزات الحصرية (EFB): للتعامل مع البيانات عالية الأبعاد والمتفرقة، يجمع تجميع الميزات الحصرية المتبادلة معًا. يقلل هذا التجميع من عدد الميزات التي يتم أخذها في الاعتبار، مما يسرّع عملية تدريب النموذج بشكل كبير.

وللاطلاع على المزيد من التفاصيل التقنية، تقدم الورقة البحثية الأصلية LightGBM تفاصيل شاملة عن بنيتها وخوارزمياتها.

التطبيقات الواقعية

نقاط قوة LightGBM تجعله مناسبًا لمختلف التطبيقات التي تتضمن بيانات منظمة أو مجدولة.

1. كشف الاحتيال: في القطاع المالي، يمكن لخاصية LightGBM معالجة ملايين سجلات المعاملات بسرعة لتحديد الأنماط الدقيقة التي تشير إلى وجود نشاط احتيالي في الوقت الفعلي تقريباً. وتُعد سرعته حاسمة للتدخل في الوقت المناسب، وتستفيد أنظمة الكشف عن الاحتيال بشكل كبير من كفاءته في مجال الذكاء الاصطناعي في القطاع المالي.
2. الصيانة التنبؤية: يستخدم الذكاء الاصطناعي في مجال التصنيع تقنية LightGBM لتحليل بيانات أجهزة الاستشعار من الآلات. من خلال التدريب على البيانات التاريخية لأداء المعدات والأعطال، يمكن للنموذج التنبؤ بالأعطال المحتملة قبل حدوثها، مما يتيح الصيانة الاستباقية وتقليل وقت التعطل. يمكنك معرفة المزيد عن المفاهيم الأساسية للصيانة التنبؤية.

تشمل التطبيقات الشائعة الأخرى التنبؤ باضطراب العملاء، وأنظمة التوصيات، والتنبؤ بنسبة النقر إلى الظهور، وتسجيل الائتمان. وقد جعل أداؤها من هذه التطبيقات خياراً شائعاً في مسابقات علوم البيانات، مثل تلك التي تُقام على Kaggle.

LightGBM مقابل الموديلات الأخرى

تُعد LightGBM جزءًا من عائلة نماذج تعزيز التدرج، ويجب تمييزها عن الأنواع الأخرى من نماذج التعلم الآلي.

• مقارنة ب XGBoost و CatBoost: غالبًا ما تتم مقارنة LightGBM ب XGBoost و CatBoost، حيث أن جميعها مكتبات تعزيز تدرجية قوية. يكمن الاختلاف الأساسي في خوارزمية نمو الشجرة؛ عادةً ما يكون نمو LightGBM على مستوى الأوراق أسرع من النمو على مستوى المستوى الذي يستخدمه XGBoost. تتفوق CatBoost من خلال معالجتها المدمجة للميزات الفئوية، في حين أن LightGBM و XGBoost غالبًا ما تتطلب معالجة مسبقة لمثل هذه البيانات. يعتمد الاختيار بينهما غالبًا على مجموعة البيانات المحددة ومتطلبات الأداء.
• مقارنةً بنماذج التعلم العميق: بينما تتفوق LightGBM مع البيانات المجدولة لمهام التعلم الآلي الكلاسيكية، إلا أنها تختلف عن نماذج مثل Ultralytics YOLO. نماذج YOLO عبارة عن بنى متخصصة للتعلم العميق (DL) مصممة لمهام الرؤية الحاسوبية مثل اكتشاف الأجسام وتصنيف الصور وتجزئة الصور على بيانات الصور أو الفيديو غير المنظمة. تعمل منصات مثل Ultralytics HUB على تسهيل تطوير ونشر نماذج السيرة الذاتية المتقدمة هذه. يظل LightGBM أداة حيوية لمشاكل البيانات المهيكلة حيث تكون السرعة والكفاءة في مجموعات البيانات الكبيرة أمرًا بالغ الأهمية. يمكنك استكشاف الوثائق الرسمية لـ LightGBM للبدء في تطبيقه.