LightGBM

Le SDK Python de W&B (wandb) inclut un callback spécial pour LightGBM qui journalise automatiquement les métriques d’entraînement, l’importance des variables et les points de contrôle du modèle dans W&B. Vous pouvez également utiliser les fonctionnalités de journalisation génériques de W&B pour suivre des expériences à grande échelle, telles que les Sweeps d’hyperparamètres. Utilisez cette intégration pour surveiller les performances des modèles de boosting par gradient, comparer les runs et analyser la contribution des variables sans écrire de code de journalisation personnalisé.

from wandb.integration.lightgbm import wandb_callback, log_summary
import lightgbm as lgb

# Consigner des métriques dans W&B
gbm = lgb.train(..., callbacks=[wandb_callback()])

# Consigner le graphique d'importance des variables et téléverser le point de contrôle du modèle dans W&B
log_summary(gbm, save_model_checkpoint=True)

Pour des exemples de code prêts à l’emploi, consultez notre dépôt d’exemples sur GitHub.

Ajustez vos hyperparamètres avec Sweeps

Pour obtenir les meilleures performances des modèles, ajustez les hyperparamètres, comme la profondeur des arbres et le taux d’apprentissage. W&B Sweeps est une boîte à outils qui configure, orchestre et analyse de vastes expériences de test d’hyperparamètres. Pour en savoir plus sur ces outils et voir un exemple d’utilisation de Sweeps avec XGBoost, ouvrez le notebook Colab interactif suivant.

Comparaison des performances de LightGBM

⌘I

Weights & Biases

Powered by CoreWeave

Platform Details

Resources

Ajustez vos hyperparamètres avec Sweeps

​Ajustez vos hyperparamètres avec Sweeps

Ajustez vos hyperparamètres avec Sweeps