标签：boost binary 需要 ram set 结果 lis gbdt values
LightGBM 可以使用一个 pairs 的 list 或一个字典来设置参数：
1.Booster提升器的参数：
param={‘num_class‘:33, ‘boosting_type‘:‘gbdt‘, ‘max_depth‘:3, ‘metric‘: {‘multi_logloss‘}, ‘learning_rate‘:0.01}
2.可以制定多eval指标：
1 param[‘metric‘] = [‘auc‘, ‘binary_logloss‘]
模型的训练：需要一个params参数和训练数据集
1 num_round = 10 2 bst = lgb.train(param, train_data, num_round, valid_sets=[test_data])
训练完成后存储模型：
1 bst.save_model(‘model.txt‘)
模型使用如下方式来加载：
1 bst = lgb.Booster(model_file=‘model.txt‘) #init model
预测：已将训练或者加载好的模型都可以对数据集进行预测
1 gbm.predict(pre_x.values, num_iteration=gbm.best_iteration)
在训练过程中使用了提前停止，使用best_iteration从最佳迭代中获取训练结果
param[‘metric‘] = [‘auc‘, ‘binary_logloss‘]
标签：boost binary 需要 ram set 结果 lis gbdt values
原文地址：https://www.cnblogs.com/demo-deng/p/9619601.html
