LGBM 模型保存为PMML 文件

1、训练模型

import lightgbm as lgb
params = {
    'task': 'train',
    'boosting_type': 'gbdt',  # 设置提升类型
    'objective': 'binary',  # 目标函数  regression
    'metric': {'auc'},  # 评估函数   metric = binary_logloss,auc

    'learning_rate': 0.05,  # [0.01, 0.02, 0.05, 0.1, 0.15]
    'n_estimators': 500,   # 默认是100.也就是循环次数，或者叫树的数目。

    'max_depth': 3,  # range(5, 15, 2)
    'num_leaves': 16,  # 一棵树上的叶子数 [15, 25, 40, 55]
    'min_child_samples': 300,  # 一个叶子上数据的最小数量
    'min_child_weight': 10,  # 分支结点的最小权重
    'feature_fraction': 0.7,  # 每次新建一棵树时，随机使用多少的特征。
    'bagging_fraction': 0.7,
    'bagging_freq': 10,  # bagging 的频率
    # 'cat_smooth': 30,  # 这可以降低噪声在分类特征中的影响
    'lambda_l1': 4,  # reg_