1.一种基于lightgbm的气象目标分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述一种基于lightgbm的气象目标分类方法,其特征在于,步骤s1中所述气象雷达观测资料具体指noaa气象观测资料的反射率因子、差分反射率因子、差分相移率、相关系数以及noaa分类结果,其中,反射率因子为360×460的二维矩阵,差分反射率、相关系数、差分相移率以及分类结果数据均为360×1200的二维矩阵。
3.根据权利要求1或2所述一种基于lightgbm的气象目标分类方法,其特征在于,步骤s1中数据集制作的方法包括以下步骤:
4.根据权利要求1所述一种基于lightgbm的气象目标分类方法,其特征在于,所述,步骤s2中初始模型参数设置为:learning_rate:0.05;boosting_type:gbdt;num_leaves:31;max_depth:6;feature_fraction:0.9;bagging_fraction:0.8;
5.根据权利要求1所述一种基于lightgbm的气象目标分类方法,其特征在于,步骤s2中模型参数调整具体指:在初始模型的参数基础上,调用python的hyperopt库对lightgbm自动化调参,设置参数搜索域,定义以提升测试集准确率为需求的目标函数,选择tpe搜索算法,得到测试集准确率最高时的模型参数。
6.根据权利要求1或5所述一种基于lightgbm的气象目标分类方法,其特征在于,步骤s2中,对hyperopt调参得到的模型参数为:learning_rate:0.013;boosting_type:dart;num_leaves:63;max_depth:8;feature_fraction:0.69;bagging_fraction:0.85;bagging_freq:15;min_data_in_leaf:7;min_gain_to_split:0.28;reg_alpha:0.43;reg_lambda:0.16。
7.根据权利要求1所述一种基于lightgbm的气象目标分类方法,其特征在于,lightgbm包括了基于histogram的决策树算法、带深度限制的leaf-wise叶子生长策略、单边梯度采样算法goss、特征捆绑算法efb和直接支持类别特征;其中,基于梯度的单面采样算法和特征捆绑算法,以梯度提升决策树模型为基础,对模型的训练速度与内存占用方面进行优化;基于梯度的单面采样算法具体如下:
8.根据权利要求7所述一种基于lightgbm的气象目标分类方法,其特征在于,特征捆绑算法在执行过程中,首先寻找需要合并的互斥特征,该算法将特征看成图的顶点,运用贪心算法将特征的捆绑转化为图的着色问题,然后特征捆绑算法运用直方图算法对特征进行合并,将连续的特征离散化为k个整数,同时构造一个宽度为k的直方图。遍历数据的过程中,根据离散化后的值作为索引在直方图中累积统计量,最后根据直方图的离散值,寻找最优分割点。