通常是其他库的10倍。 支持Python(scikit-learn)接口。 支持的操作系统:Linux和Windows。 支持分类、回归和排名。
Halla Yang,第二名, 招募优惠券购买预测挑战 , 卡格尔访谈 . 张欧文(Owen Zhang),排名第一, Avito Context广告点击大赛 , Kaggle访谈 . Kuroyanagi,第二名, Airbnb新用户预订 , 卡格尔访谈 .
cmake 2.8或以上 gcc 4.8或更高版本(Linux)| CUDA公司 9或以上 Visual C++for Windows | CUDA 10
-
对于带有CUDA 9.0的Linux pip安装thundergbm
-
对于Windows(64位) -
下载Python轮子文件(适用于Python3或更高版本) -
安装Python轮子文件 pip安装thundergbm-0.3.4-py3-none-win_amd64.whl
-
-
目前仅支持python3 -
安装thundergbm后,可以通过以下方式导入和使用分类器(类似于回归量):
从 雷鸣(thundergbm) 进口 TGBM分类器
氯氟化碳 = TGBM分类器 () 氯氟化碳 . 适合 ( x个 , 年 )
git克隆 https://github.com/zeyiwen/threngbm.git 光盘 雷鸣(thundergbm) # 在thundergbm目录下 git子模init-cub && git子模块更新
在Linux上构建(构建说明 窗户 )
# 在thundergbm目录下 mkdir生成 && 光盘 建造 && cmake。。 && 品牌-j
./bin/threngbm-train/ 数据集/机器.conf ./bin/thurrengbm-predict/ 数据集/机器.conf
@第{8727750条, 作者={Z.{Wen}和J.{Shi}以及B.{He}和J{Chen}以及K.{Ramamohanarao}和Q.{Li}}, journal={IEEE并行和分布式系统事务}, title={利用GPU进行高效梯度增强决策树训练}, 年份={2019}, 体积={30}, 数字={12}, 页码={2706-2717}, } @文章{wenthrengbm19, 作者={文、泽一和石、家帅和何、炳生和李、秦斌和陈、建}, title={{ThunderGBM}:{GPUs}}上的快速{GBDTs}和随机森林, journal={机器学习研究杂志}, 体积={21}, 年份={2020年} }
-
Wen Zeyi、Shi Jiashuai、He Bingsheng、Chen Jian、Kotagiri Ramamohanarao和Li Qinbin。利用GPU进行高效梯度提升决策树训练。 IEEE并行和分布式系统交易(TPDS),2019年5月接受。 pdf格式 -
温泽毅、刘汉峰、石家帅、李钦斌、何炳生、陈健。 ThunderGBM:GPU上的快速GBDT和随机森林。 在JMLR MLOSS(机器学习开源软件)上发布。 年份:2020年,第21卷,第108期,页码:1-5。 pdf格式 -
温泽毅、何炳生、科塔吉里·拉马莫哈纳罗、卢圣良、石家帅。 基于GPU的高效梯度增强决策树训练。 第32届IEEE实习生 国家并行和分布式处理研讨会(IPDPS),第234-243页,2018年。 pdf格式
泽毅文 ,NUS(现就读于西澳大利亚大学) 刘汉峰,广东财经大学(新加坡国立大学访问生) 四川理工大学(新加坡国立大学访问学生)Jiashuai Shi 国立大学李钦斌 顾问: 何炳生 ,新加坡国立大学 合作方:陈健(SCUT)
这项工作得到了MoE AcRF Tier 2赠款(MOE2017-T2-1-122)和新加坡NUS创业赠款的支持。
ThunderSVM公司 ,这是另一个 雷电 我们小组开发的serier软件工具。 XGBoost公司 | 轻型GBM | CatBoost公司 | cuML公司