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_