lightgbm API参数解释

import lightgbm as lgb

PS:注意，当使用lgb时一定要注意参数名称是否写错，当参数名称输入错时，lgb是不会报错的，参数名写错时lgb会当做无输入处理。

lightgbm.cv使用方法

params_lgb = {'boosting': 'gbdt', 'objective': 'quantile', 'n_jobs':-1,'learning_rate': 0.1, 'num_leaves': 50, 'max_depth': 6,'subsample': 0.8, 'colsample_bytree': 0.8,
}
train_data_lgb = lgb.Dataset(train_x, train_y, silent=True)
cv_results = lgb.cv(params_lgb, train_data_lgb, num_boost_round=10000, nfold=5, stratified=False, shuffle=False, metrics='l2',early_stopping_rounds=100, verbose_eval=50, show_stdv=True, seed=2020)

lightgbm官方文档
重要参数
params 基学习器的参数。详细参数就是LGBRegressor或者LGBClassifier的参数。
train_set 训练集，需要首先使用train_data = lgb.Dataset(train_x,train_y,silient = True)。
num_boost_round 最大迭代次数，建议写大一些，可以通过早停机制提前终止训练
nfold n折交叉验证。
metrics 评价标准。
early_stopping_rounds 早停决策，若n轮迭代之后metrics没有进步，则终止训练。注意，设置此项务必设置metrics，否则lgb会按照metrics缺失处理。
shuffle是否洗牌。
verbose_eval 进行n次验证后，报告metrics情况。

fobj 自定义目标函数。
feval 自定义评价标准。如有需要，自己去官网查看一下怎么实现，暂时我没有用到。

lgb.cv的返回值
返回值是一个字典，show一下python小白都会用，一般用到的方法有。
len(cv_results[‘l2-mean’]) 确定基学习器的数量。
cv_results[‘l2-mean’][-1] 确定最后得分

LGMRegressor使用方法

model_lgb = lgb.LGBMRegressor()

LGM官方文档

参数
PART1 不需要调试的参数
boosting_type ：‘gbdt’,‘rf’,‘dart’
n_jobs 几核cpu
silent 默认选择True，选择False会输出很多建模中的细节，作用不大还刷屏。
objective 目标函数
random_state 随机数
PART2 需要调试的参数
learning_rate：学习率，初始状态建议选择较大的学习率，设置为0.1.
n_estimators ：树的数量，初始状态适配lr = 0.1
这两个参数是一对情侣，调整一个另外一个也需要调整，相互影响巨大！
这两个参数作用于树的数量，不关心树的内部。
++++++++++++++++这两个参数需要联调++++++++++++++++++++++++++
max_depth：每棵树的最大深度，防止过拟合。初始状态设置3~8。
num_leaves :每棵树的最多叶子数，因为CART是二叉树，所以叶子数量最大值为2 **depth，所以num_leaves要小于该值才有意义。然后lightgbm是leaf-wise，depth = leaf-1，所以depth和leaf调试一个即可。
min_child_samples：又称为min_data_in_leaf，指要想建立一个叶子所需要的的最少样本数，增大它可以降低过拟合。
min_child_weight：又称为min_sum_hessian_in_leaf，指要想建立一个叶子，该叶子需要提供的最小hessian值。这两个参数都是对新建叶子设置了门槛，可以降低叶子数量，减小过拟合。
feature_fraction：每次新建一棵树时，随机使用多少的特征。
bagging_fraction：每次进行bagging时，随机使用多少的样本。
bagging_freq:每建立多少棵树，就进行一次bagging。
reg_alpha ：L1正则化参数
reg_lambda ：L2正则化参数
+++++++++++++上面的参数是调整每棵树的属性++++++++++++++++++++

lLGBMClassifier API参数解释

和回归差不多，参考官网看一下吧。

调参参考

参考：调参笔记1
调参笔记2