文件|安装|参数|Python（scikit-learn）接口

ThunderGBM获得了IEEE计算机学会出版委员会颁发的2019年IEEE Transactions on Parallel and Distributed Systems最佳论文奖“Zeyi Wen，Jiashuai Shi*，Bingsheng He，Jian Chen，Kotagiri Ramamohanarao，and Qinbin Li*，利用GPU进行高效梯度提升决策树训练，IEEE并行和分布式系统汇刊，第30卷，第12期，2019年，第2706-2717页。”）。查看更多详细信息：IEEE最佳论文奖获得者,新加坡国立大学计算机学院新闻

ThunderGBM的任务是帮助用户轻松高效地应用GBDT和Random Forests来解决问题。ThunderGBM利用GPU实现高效率。ThunderGBM的主要功能如下。

• 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。

为什么加速GBDT和随机森林：A调查Kaggle于2017年进行的研究表明，50%、46%和24%的数据挖掘和机器学习实践者分别是决策树、随机森林和GBM的用户。

GBDT和Random Forests通常用于创建最先进的数据科学解决方案。我们在下面列出了三个使用GBDT的成功解决方案。请查看XGBoost网站以获得更多成功的解决方案和用例。以下是GDBT和Random Forests的一些成功例子：

• 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）

    • CUDA 10.0-Win64

  • 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

你会看到的RMSE=0.489562成功运行后。

苹果不支持MacOS悬挂式支架对于一些NVIDIA GPU。我们将根据用户社区的反馈考虑支持MacOS。请继续关注。

如果你在论文中使用ThunderGBM，请引用我们的工作(TPDS公司和JMLR公司).

@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