模型參數
| 參數名 | 參數描述 | 可選值 |
|---|---|---|
| boosting_type | 模型提升方式 | 'gbdt'、'dart'、'goss'、'rf' |
| num_leaves | 每個基學習器的最大葉子 | 默認31 |
| max_depth | 基學習器樹的最大深度 | 默認-1，沒有限制 |
| learning_rate | boosting學習率 | 默認0.1 |
| n_estimators | 基學習器的數量 | 默認10 |
| max_bin | 特征值的分桶數 | 默認255 |
| subsample_for_bin | 用於分箱的樣本數 | 默認50000 |
| objective | 學習任務和學習目標 | 默認regression對於LGBRegressor，LGBClassifier是'binary','multiclass',LGBMRanker是'lambdarank' |
| min_split_gain | 在樹的葉子節點上做進一步分區所需的最小損失減少 | 默認0，浮點數 |
| min_child_weight | 子節點(葉節點)中所需要的最小實例權重(hessian)之和 | 默認1e-3 |
| min_child_samples | 葉子所需要的最小數據 | 默認20 |
| subsample | 訓練樣本的子樣本比率 | 默認1，浮點數 |
| subsample_freq | 子樣本的頻率 | 默認1，int |
| colsample_bytree | 構造每棵樹的子樣本比率 | 默認1，浮點數 |
| reg_alpha | L1正則化權重 | 默認0，浮點數 |
| reg_lambda | L2正則化權重 | 默認0，浮點數 |
| random_state | 隨機數種子 | 默認為None |
| n_jobs | 並行線程數 | 默認為-1，全線程 |
| slient | 在運行提升時，是否打印消息 | 默認為True |
fit參數
| 參數 | 參數描述 | 可選值 |
|---|---|---|
| X | 輸入特征矩陣 | n_samples,n_features |
| y | 標簽 | n_samples |
| sample_weight | 訓練數據的權重 | 默認None |
| init_score | 初始化訓練數據得分 | 默認None |
| group | 訓練集的分組數據 | 默認None |
| eval_set | 用作提前停止的驗證集的(X, y) | 默認None |
| eval_names | eval_set的名字 | 默認None |
| eval_sample_weight | 驗證集數據的權重 | 默認None |
| eval_init_score | 驗證集數據初始分數 | 默認None |
| eval_group | 驗證集的分組數據 | 默認None |
| eval_metric | 字符串，它應該是一個內置的評估指標。如果是可調用的，它應該是一個定制的評估指標，請參閱注釋以了解更多細節 | 默認None |
| early_stopping_rounds | 激活早期停止。該模型將進行訓練，直到驗證分數停止改進。為了繼續訓練，驗證錯誤需要至少每輪減少一次 | 默認None |
| verbose | 如果為True並且使用了評估集，則寫入評估進度 | 默認True |
| feature_name | 特征名稱，如果' auto '和data是 DataFrame，則使用數據列名稱 | 默認auto |
| categorical_feature | 分類功能，如果是int的列表，則解釋為下標。如果字符串列表，解釋為特性名稱(也需要指定feature_name)，如果' auto '和data是pandas DataFrame，則使用pandas分類列 | 默認auto |
| callbacks | 在每次迭代中應用的回調函數列表 | 默認None |
predict參數
| 參數 | 參數描述 | 可選值 |
|---|---|---|
| X | 輸入特征矩陣 | n_samples,n_features |
| raw_score | 是否預測原始分數 | 默認False |
| num_iter_action | 預測中限制迭代次數;默認為0(使用所有樹) | 默認0 |
n_features_
得到擬合模型的特征個數
objective_
獲得模型擬合的具體目標
classes_
返回標簽的所有分類（僅限於分類問題）
n_classes_
返回標簽的類別數量
best_score_
返回模型的最好分數
best_iteration
指定了early_stopping_rounds時擬合模型的最佳迭代
booster_
模型的提升方式
evals_result
如果已指定early_stopping_rounds，則計算結果
feature_importances_
返回每個特征的特征重要性