Python lightgbm 模块：常见用法

import lightgbm as lgb  # 导入lightgbm模块
from sklearn.model_selection import train_test_split  # 导入数据集拆分工具
from sklearn.datasets import load_iris  # 导入鸢尾花数据集

# 加载数据集
data = load_iris()
X = data.data  # 特征
y = data.target  # 目标变量

# 拆分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建lightgbm数据集
train_data = lgb.Dataset(X_train, label=y_train)  # 使用训练数据集
test_data = lgb.Dataset(X_test, label=y_test)  # 使用测试数据集

# 设置模型参数
params = {
    'objective': 'multiclass',  # 多分类任务
    'num_class': 3,  # 类别数量
    'metric': 'multi_logloss'  # 评价函数
}

# 训练模型
model = lgb.train(params, train_data, valid_sets=[test_data], num_boost_round=100)  # 训练模型

import lightgbm as lgb  # 导入lightgbm
import numpy as np  # 导入numpy

# 生成一些示例数据
X = np.random.rand(100, 10)  # 100个样本，10个特征
y = X.sum(axis=1) + np.random.normal(0, 0.1, 100)  # 目标变量，加上一些噪声

# 拆分数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建lightgbm数据集
train_data = lgb.Dataset(X_train, label=y_train)

# 设置模型参数
params = {
    'objective': 'regression',  # 回归任务
    'metric': 'mean_squared_error'  # 评价指标
}

# 训练模型
model = lgb.train(params, train_data, num_boost_round=100)  # 训练模型

import lightgbm as lgb  # 导入lightgbm
import pandas as pd  # 导入pandas

# 创建一些示例数据
data = {'feature1': [1, 2, 3, 4, 5], 'feature2': [5, 4, 3, 2, 1], 'target': [1, 0, 1, 0, 1]}
df = pd.DataFrame(data)  # 将数据转换为DataFrame

# 拆分特征和目标变量
X = df.drop('target', axis=1)  # 特征
y = df['target']  # 目标变量

# 创建lightgbm数据集
train_data = lgb.Dataset(X, label=y)

# 设置模型参数
params = {
    'objective': 'binary',  # 二分类任务
    'metric': 'binary_logloss'  # 评价指标
}

# 训练模型
model = lgb.train(params, train_data, num_boost_round=100)  # 训练模型