【LGBM】LightGBM sklearn API超参数解释与使用方法(优化)

        接下来我们进一步解释LGBM的sklearn API中各评估器中的超参数及使用方法。

  在LGBM的sklearn API中，总共包含四个模型类（也就是四个评估器），分别是lightgbm.LGBMModel、LGBMClassifier 和 LGBMRegressor 以及LGBMRanker：

LGBMModel

  LGBMModel 是 LightGBM 的基础模型类，它提供了所有 LightGBM 模型的通用接口。虽然它本身不是为特定任务设计的，但它包含了所有基本的训练和预测方法。

主要方法：

• fit(X, y, sample_weight=None, init_score=None, eval_set=None, eval_names=None, eval_sample_weight=None, eval_class_weight=None, eval_init_score=None, eval_metric=None, early_stopping_rounds=None, verbose=True, feature_name='auto', categorical_feature='auto', callbacks=None, init_model=None)
• predict(X, raw_score=False, start_iteration=0, num_iteration=None, pred_leaf=False, pred_contrib=False, **kwargs)
• feature_importances_：返回特征的重要性评分。

LGBMClassifier

LGBMClassifier 是用于分类任务的模型类，适用于二分类和多分类问题。

主要超参数：

• boosting_type='gbdt'：提升类型，可选值有 'gbdt' (默认), 'dart', 'goss', 'rf'。
• num_leaves=31：每棵树的最大叶子数。
• max_depth=-1：树的最大深度，负值表示不限制。
• learning_rate=0.1：学习率，控制每次迭代的学习步长。
• n_estimators=100：提升树的数量。
• subsample_for_bin=200000：构造直方图时使用的样本数量。
• min_split_gain=0.0：分裂节点所需的最小增益。
• min_child_weight=0.001：叶子节点的最小权重。
• min_child_samples=20：叶子节点的最小样本数。
• subsample=1.0：每棵树训练时使用的样本比例。
• colsample_bytree=1.0：每棵树训练时使用的特征比例。
• reg_alpha=0.0：L1 正则化系数。
• reg_lambda=0.0：L2 正则化系数。
• random_state=None：随机种子，用于复现结果。
• n_jobs=-1：并行任务数，-1 表示使用所有可用的 CPU 核心。
• silent=True：是否静默模式，不显示训练过程中的信息。
• importance_type='split'：特征重要性的计算方式，可选值有 'split' 和 'gain'。

示例代码：

from lightgbm import LGBMClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据集
data = loa