模型参数
| 参数名 | 参数描述 | 可选值 |
| boosting_type | 模型提升方式 | ‘gbdt’、‘dart’、‘goss’、‘rf’ |
| num_leaves | 每个基学习器的最大叶子 | 默认31 |
| max_depth | 基学习器树的最大深度 | 默认-1，没有限制 |
| learning_rate | boosting学习率 | 默认0.1 |
| n_estimators | 基学习器的数量 | 默认10 |
| max_bin | 特征值的分桶数 | 默认255 |
| subsample_for_bin | 用于分箱的样本数 | 默认50000 |
| objective | 学习任务和学习目标 | 默认regression对于LGBRegressor，LGBClassifier是’binary’,‘multiclass’,LGBMRanker是’lambdarank’ |
| min_split_gain | 在树的叶子节点上做进一步分区所需的最小损失减少 | 默认0，浮点数 |
| min_child_weight | 子节点(叶节点)中所需要的最小实例权重(hessian)之和 | 默认1e-3 |
| min_child_samples | 叶子所需要的最小数据 | 默认20 |
| subsample | 训练样本的子样本比率 | 默认1，浮点数 |
| subsample_freq | 子样本的频率 | 默认1，int |
| colsample_bytree | 构造每棵树的子样本比率 | 默认1，浮点数 |
| reg_alpha | L1正则化权重 | 默认0，浮点数 |
| reg_lambda | L2正则化权重 | 默认0，浮点数 |
| random_state | 随机数种子 | 默认为None |
| n_jobs | 并行线程数 | 默认为-1，全线程 |
| slient | 在运行提升时，是否打印消息 | 默认为True |
fit参数
| 参数 | 参数描述 | 可选值 |
| X | 输入特征矩阵 | n_samples,n_features |
| y | 标签 | n_samples |
| sample_weight | 训练数据的权重 | 默认None |
| init_score | 初始化训练数据得分 | 默认None |
| group | 训练集的分组数据 | 默认None |
| eval_set | 用作提前停止的验证集的(X, y) | 默认None |
| eval_names | eval_set的名字 | 默认None |
| eval_sample_weight | 验证集数据的权重 | 默认None |
| eval_init_score | 验证集数据初始分数 | 默认None |
| eval_group | 验证集的分组数据 | 默认None |
| eval_metric | 字符串，它应该是一个内置的评估指标。如果是可调用的，它应该是一个定制的评估指标，请参阅注释以了解更多细节 | 默认None |
| early_stopping_rounds | 激活早期停止。该模型将进行训练，直到验证分数停止改进。为了继续训练，验证错误需要至少每轮减少一次 | 默认None |
| verbose | 如果为True并且使用了评估集，则写入评估进度 | 默认True |
| feature_name | 特征名称，如果’ auto '和data是 DataFrame，则使用数据列名称 | 默认auto |
| categorical_feature | 分类功能，如果是int的列表，则解释为下标。如果字符串列表，解释为特性名称(也需要指定feature_name)，如果’ auto '和data是pandas DataFrame，则使用pandas分类列 | 默认auto |
| callbacks | 在每次迭代中应用的回调函数列表 | 默认None |
predict参数
| 参数 | 参数描述 | 可选值 |
| X | 输入特征矩阵 | n_samples,n_features |
| raw_score | 是否预测原始分数 | 默认False |
| num_iter_action | 预测中限制迭代次数;默认为0(使用所有树) | 默认0 |
n_features_
得到拟合模型的特征个数
objective_
获得模型拟合的具体目标
classes_
返回标签的所有分类（仅限于分类问题）
n_classes_
返回标签的类别数量
best_score_
返回模型的最好分数
best_iteration
指定了early_stopping_rounds时拟合模型的最佳迭代
booster_
模型的提升方式
evals_result
如果已指定early_stopping_rounds，则计算结果
feature_importances_
返回每个特征的特征重要性
