lightgbm.train

lightgbm.train(params, train_set, num_boost_round=100, valid_sets=None, valid_names=None, feval=None, init_model=None, keep_training_booster=False, callbacks=None)[source]

使用给定参数执行训练。

参数:

  • params (dict) – 用于训练的参数。通过 params 传递的值优先于通过参数提供的值。

  • train_set (Dataset) – 用于训练的数据。

  • num_boost_round (int, 可选 (默认值=100)) – 提升迭代次数。

  • valid_sets (Dataset 列表, 或 None, 可选 (默认值=None)) – 训练期间用于评估的数据列表。

  • valid_names (str 列表, 或 None, 可选 (默认值=None)) – valid_sets 的名称。

  • feval (可调用对象, 可调用对象列表, 或 None, 可选 (默认值=None)) –

    自定义评估函数。每个评估函数应接受两个参数：preds, eval_data，并返回 (eval_name, eval_result, is_higher_better) 或此类元组的列表。

    predsnumpy 1维数组或 numpy 2维数组（适用于多类任务）

    预测值。对于多类任务，preds 是形状为 [n_samples, n_classes] 的 numpy 2维数组。如果使用自定义目标函数，预测值在任何转换之前返回，例如在这种情况下，它们是原始 margin 而不是二分类任务中正类的概率。

    eval_dataDataset

    要评估的 Dataset。

    eval_namestr

    评估函数的名称（无空格）。

    eval_resultfloat

    评估结果。

    is_higher_betterbool

    评估结果是否越高越好，例如 AUC 就是 is_higher_better。

    要忽略与所用目标对应的默认度量，请在 params 中将 metric 参数设置为字符串 "None"。

  • init_model (str, pathlib.Path, Booster 或 None, 可选 (默认值=None)) – 用于继续训练的 LightGBM 模型文件名或 Booster 实例。

  • keep_training_booster (bool, 可选 (默认值=False)) – 返回的 Booster 是否将用于继续训练。如果为 False，返回的值在返回前将被转换为 _InnerPredictor。这意味着你将无法使用返回的 Booster 的 eval, eval_train 或 eval_valid 方法。当你的模型非常大并导致内存错误时，你可以尝试将此参数设置为 True，以避免在内部调用 model_to_string 时执行的模型转换。你仍然可以使用 _InnerPredictor 作为 init_model 进行将来的继续训练。

  • callbacks (可调用对象列表, 或 None, 可选 (默认值=None)) – 在每次迭代中应用的回调函数列表。有关详细信息，请参阅 Python API 中的 回调函数。

注意

可以为 objective 参数提供自定义目标函数。它应接受两个参数：preds, train_data，并返回 (grad, hess)。

predsnumpy 1维数组或 numpy 2维数组（适用于多类任务）

预测值。预测值在任何转换之前返回，例如它们是原始 margin 而不是二分类任务中正类的概率。

train_dataDataset

训练数据集。

gradnumpy 1维数组或 numpy 2维数组（适用于多类任务）

损失相对于每个样本点的 preds 元素的第一个导数（梯度）的值。

hessnumpy 1维数组或 numpy 2维数组（适用于多类任务）

损失相对于每个样本点的 preds 元素的第二个导数（Hessian）的值。

对于多类任务，preds 是形状为 [n_samples, n_classes] 的 numpy 2维数组，grad 和 hess 应以相同的格式返回。

返回:

booster – 训练好的 Booster 模型。

返回类型:

Booster