LGBMModel 模型創建：
參數
----------
boosting_type : string, optional (default='gbdt')
'gbdt', 傳統的梯度提升決策樹。
'dart', Dropouts meet Multiple Additive Regression Trees.
'goss', 基於梯度的單邊采樣。
'rf', 隨機森林.
num_leaves : int, optional (default=31)
一棵樹的最大葉子數
max_depth : int, optional (default=-1)
基本學習的最大深度, <=0 表示不限制
learning_rate : float, optional (default=0.1)
學習率
可以使用在fit方法的callbacks參數中的reset_parameter回調函數來縮小和調整學習率。 如果使用了回調函數，那么將忽略learning_rate參數。
n_estimators : int, optional (default=100)
訓練次數-也是樹的個數
subsample_for_bin : int, optional (default=200000)
用於構造垃圾箱的樣本數- 對輸入特征分成多少份
objective : string, callable or None, optional (default=None)
指定目標函數，- 是回歸 還是 分類 亦或是 排名
如果是字符串，則用內置的，
如果是callabel, 則目標函數是自定義的
如果是None. 對於回歸模型LGBMRegressor， 那么就是'regression'。 對於分類模型LGBMClassifier，那么就是'binary' or 'multiclass' 。 對於排行模型LGBMRanker， 那么就是'lambdarank'
class_weight : dict, 'balanced' or None, optional (default=None)
指定類別的權重，通過這樣的方式 ``{class_label: weight}``.
dict方式這個參數只對多分類任務有效。
對於二分類任務，可以使用 ``is_unbalance`` 或 ``scale_pos_weight`` 參數
注意, 所有這些參數的使用將導致對各個類別概率的估計不足。
您可能要考慮對你的模型執行概率校准，參考地址：https://scikit-learn.org/stable/modules/calibration.html
如果值為“balanced”。 模式將使用y的值自動調整權重。 與輸入數據中類別頻率成反比例。``n_samples / (n_classes * np.bincount(y))``.
如果值為None。 那么所有類別的權重是1
注意, 這些權重會與 ``sample_weight`` 相乘 (如果通過fit方法指定了sample_weight的話)
min_split_gain : float, optional (default=0.)
在樹的葉節點上進行切分的最小增益
min_child_weight : float, optional (default=1e-3)
葉節點樣本權重之和的最小值
min_child_samples : int, optional (default=20)
一個葉子節點上包含的最少樣本數量
subsample : float, optional (default=1.)
訓練實例的子樣本比率。
subsample_freq : int, optional (default=0)
子樣本的頻率, <=0 表示禁用
colsample_bytree : float, optional (default=1.)
構造每棵樹時，列的子采樣率
reg_alpha : float, optional (default=0.)
L1 正則化權重
reg_lambda : float, optional (default=0.)
L2 正則化權重
random_state : int or None, optional (default=None)
隨機種子
如果None，默認使用在c++代碼的種子
n_jobs : int, optional (default=-1)
並行線程數
silent : bool, optional (default=True)
運行增強時是否打印消息。
importance_type : string, optional (default='split')
特征重要性類型
如果為“ split”，則結果包含該特征在模型中使用的次數。
如果為“ gain”，則結果包含使用該功能的分割的總增益。
**kwargs
模型的其他參數
更多參數查看地址： http://lightgbm.readthedocs.io/en/latest/Parameters.html
警告：sklearn 不支持**kwargs. 因為可能引發異常。
==================================================================
訓練fit
參數
----------
X : 數組類型矩陣 形狀 = [n_samples, n_features]
輸入特征矩陣
y : 數組類型 形狀 = [n_samples]
目標值 (分類模型中是類標簽, 回歸模型是真實值).
sample_weight : 數組類型 形狀 = [n_samples] optional (default=None)
訓練數據的權重
init_score : 數組類型 形狀 = [n_samples] optional (default=None)
訓練數據的初始分數
group : 數組類型 或者 None, optional (default=None)
訓練數據的組數據
eval_set : list or None, optional (default=None)
使用(X,y) 元組作為驗證集
eval_names : list of strings or None, optional (default=None)
驗證集的名稱
eval_sample_weight : list of arrays or None, optional (default=None)
驗證集的權重（回歸模型）
eval_class_weight : list or None, optional (default=None)
驗證集標簽的權重 （分類模型）
eval_init_score : list of arrays or None, optional (default=None)
驗證集初始分數
eval_group : list of arrays or None, optional (default=None)
驗證集組數據
eval_metric : string, list of strings, callable or None, optional (default=None)
如果為字符串，則應使用內置評估指標。
如何為 可執行對象, 則是自定義評估指標
其他情況, 字符串和可執行對象的列表
默認情況: LGBMRegressor使用L2, LGBMClassifier使用logloss, LGBMRanker使用ndcg
early_stopping_rounds : int or None, optional (default=None)
如果驗證的分數不再下降，達到 early_stopping_rounds 次了，依舊沒有下降，那么終止訓練
至少需要一個驗證數據和一個指標。
如果有多個指標（eval_metric是list,且長度大於1）， 那么將檢查所有。
如果只想檢查第一個指標，那么需要設置first_metric_only = True
verbose : bool or int, optional (default=True)
至少需要一個驗證數據
如果為True, 評估集上的評估指標會在每個提升階段打印出來。
如果為 int, 每隔多少次打印
如果訓練提前停止了，也會打印。 這個提前停止是通過early_stopping_rounds設置的
feature_name : list of strings or 'auto', optional (default='auto')
特征名稱。 字符串列表 或者 auto
如果為 'auto' 且 數據是 pandas DataFrame, 那么則使用數據列名
categorical_feature : list of strings or int, or 'auto', optional (default='auto')
分類特征
如果是整數列表，則使用索引
如果是字符串列表， 則像指定 feature_name 一樣
如果為 'auto' 且 數據是 pandas DataFrame, 則使用無序分類列
所有的類別特征值應該小於 2147483647
較大的值會占用內存。 考慮使用從零開始的連續整數。
分類特征中的所有負值都將被視為缺失值
不能相對於分類特征單調約束輸出
callbacks : list of callback functions or None, optional (default=None)
回調函數列表。 每次迭代都會調用
返回值： 模型self
============================================================
預測predict
參數
----------
X : 數組類型矩陣 形狀 = [n_samples, n_features]
輸入特征矩陣
raw_score : bool, optional (default=False)
是否預測原始分數
num_iteration : int or None, optional (default=None)
限制預測中的迭代次數。
如果為 None, 如果存在最好的迭代次數，則使用最好的迭代次數; 其他情況, 所有的樹被使用
如果 <= 0, 所有的樹被使用 (不限制).
pred_leaf : bool, optional (default=False)
是否預測葉指數
pred_contrib : bool, optional (default=False)
是否預測特征貢獻。
提示::
如果您想使用SHAP值獲得有關模型預測的更多解釋，
像SHAP互動值一樣，
您可以安裝shap軟件包（https://github.com/slundberg/shap）。
請注意，與shap包不同，使用pred_contrib，我們將返回帶有額外內容的矩陣。
列，最后一列是期望值。
**kwargs
Other parameters for the prediction.
返回值
-------
predicted_result : 數組類型 形狀 = [n_samples] 或者 形狀 = [n_samples, n_classes]
預測值
X_leaves : 數組類型 形狀 = [n_samples, n_trees] 或 形狀 = [n_samples, n_trees * n_classes]
如果 ``pred_leaf=True``, 預測每個樣本的每棵樹的葉子。
X_SHAP_values : 數組類型 形狀 = [n_samples, n_features + 1] 或 形狀 = [n_samples, (n_features + 1) * n_classes]
如果 ``pred_contrib=True``, 每個樣本的特征貢獻。