基于python梯度提升树(GBDT)的玩家排名预测【100012269】

## 基于梯度提升树(GBDT)的玩家排名预测 使用[**LightGBM**](https://lightgbm.readthedocs.io/en/latest/index.html)对《绝地求生：大逃杀》玩家的最终百分比排名进行预测。 代码 [code.py](https://github.com/yang-zhou-x/assignments/blob/master/lightgbm_regression/code.py) 包含两个部分： （1）特征工程； （2）模型。 详细内容及说明见代码注释。 **LightGBM** 是一个实现 GBDT 算法的框架，由微软 DMTK(分布式机器学习工具包)团队在 GitHub 上开源，具有以下优点： (1)更快的训练速度 (2)更低的内存消耗 (3)更好的准确率 (4)分布式支持，可以快速处理海量数据 与基于预排序（pre-sorted）决策树算法的 GBDT 工具相比，LightGBM 使用基于直方图（histogram）的算法。在分割增益的复杂度方面，histogram 算法只需要计算 O(#bins)次, 远少于 pre-sorted 算法的 O(#data)，并且可以通过直方图的相减来进行进一步的加速。 原始特征的相关图：  不同赛制的玩家数量：  特征的重要性排名：  ## 数据来源 约 445 万条记录，包含近 30 个特征。 来自于 PUBG 的官方公开数据 [https://www.kaggle.com/c/pubg-finish-placement-prediction](https://www.kaggle.com/c/pubg-finish-placement-prediction) ## 环境配置 macOS 10.13.6 gcc 8.2.0 cmake 3.13.4 libomp 7.0.0 lightgbm 2.2.3