参数介绍
(1) 核心参数
config或者config_file：一个字符串，给出了配置文件的路径。默认为空字符串。
task：一个字符串，给出了要执行的任务。可以为：
train或者training：表示是训练任务。默认为train。
predict或者prediction或者test：表示是预测任务。
convert_model：表示是模型转换任务。将模型文件转换成if-else格式。
application或者objective或者app：一个字符串，表示问题类型。可以为：
regression 或 regression_l2 或 mean_squared_error 或 mse或l2_root 或 root_mean_squred_error 或 rmse：表示回归任务，但是使用L2损失函数。默认为regression。
regression_l1或者mae或者mean_absolute_error：表示回归任务，但是使用L1损失函数。
huber：表示回归任务，但是使用huber损失函数。
fair：表示回归任务，但是使用fair损失函数。
poisson：表示Poisson回归任务。
quantile：表示quantile回归任务。
quantile_l2：表示quantile回归任务，但是使用了L2损失函数。
mape或者mean_absolute_precentage_error：表示回归任务，但是使用MAPE损失函数
gamma：表示gamma回归任务。
tweedie：表示tweedie回归任务。
binary：表示二分类任务，使用对数损失函数作为目标函数。
multiclass：表示多分类任务，使用softmax函数作为目标函数。必须设置num_class参数
multiclassova或者multiclass_ova或者ova或者ovr：表示多分类任务，使用one-vs-all的二分类目标函数。必须设置num_class参数。
xentropy或者cross_entropy：目标函数为交叉熵(同时具有可选择的线性权重)。要求标签是[0,1]之间的数值。
xentlambda或者cross_entropy_lambda：替代了参数化的cross_entropy。要求标签是[0,1]之间的数值。
lambdarank：表示排序任务。在lambdarank任务中，标签应该为整数类型，数值越大表示相关性越高。label_gain参数可以用于设置整数标签的增益(权重)。
boosting或者boost或者boosting_type：一个字符串，给出了基学习器模型算法。可以为：
gbdt：表示传统的梯度提升决策树。默认值为gbdt。
rf：表示随机森林。
dart：表示带dropout的gbdt。
goss：表示Gradient-based One-Side Sampling 的gbdt。
data或者train或者train_data：一个字符串，给出了训练数据所在的文件的文件名。默认为空字符串。LightGBM将使用它来训练模型。
valid或者test或者valid_data或者test_data：一个字符串，表示验证集所在的文件的文件名。默认为空字符串。LightGBM将输出该数据集的度量。如果有多个验证集，则用逗号分隔。
num_iterations或者num_iteration或者num_tree或者num_trees或者num_round或者num_rounds或者num_boost_round一个整数，给出了boosting的迭代次数。默认为100。
对于Python/R包，该参数是被忽略的。对于Python，使用train()/cv()的输入参数num_boost_round来代替。
在内部，LightGBM对于multiclass问题设置了num_class*num_iterations棵树。
learning_rate或者shrinkage_rate：个浮点数，给出了学习率。默认为1。在dart中，它还会影响dropped trees的归一化权重。
num_leaves或者num_leaf：一个整数，给出了一棵树上的叶子数。默认为31。
tree_learner或者tree：一个字符串，给出了tree learner，主要用于并行学习。默认为serial。可以为：
serial：单台机器的tree learner
feature：特征并行的tree learner
data：数据并行的tree learner
voting：投票并行的tree learner
num_threads或者num_thread或者nthread：一个整数，给出了LightGBM的线程数。默认为OpenMP_default。
为了更快的速度，应该将它设置为真正的CPU内核数，而不是线程的数量(大多数CPU使用超线程来使每个CPU内核生成2个线程)。
当数据集较小的时候，不要将它设置的过大。
对于并行学习，不应该使用全部的CPU核心，因为这会使得网络性能不佳。
device：一个字符串，指定计算设备。默认为cpu。可以为gpu、cpu。
建议使用较小的max_bin来获得更快的计算速度。
为了加快学习速度，GPU默认使用32位浮点数来求和。你可以设置gpu_use_dp=True来启动64位浮点数，但是它会使得训练速度降低。
(2) 学习控制参数
- max_depth：一个整数，限制了树模型的最大深度，默认值为-1。如果小于0，则表示没有限制。
- min_data_in_leaf或者min_data_per_leaf或者min_data或者min_child_samples：一个整数，表示一个叶子节点上包含的最少样本数量。默认值为20。
- min_sum_hessian_in_leaf或者min_sum_hessian_per_leaf或者min_sum_hessian或者min_hessian或者min_child_weight：一个浮点数，表示一个叶子节点上的最小hessian之和。(也就是叶节点样本权重之和的最小值)默认为1e-3。
- feature_fraction或者sub_feature或者colsample_bytree：一个浮点数，取值范围为[0.0,1.0]，默认值为0。如果小于1.0，则LightGBM会在每次迭代中随机选择部分特征。如0.8表示：在每棵树训练之前选择80%的特征来训练。
- feature_fraction_seed：一个整数，表示feature_fraction的随机数种子，默认为2。
- bagging_fraction或者sub_row或者subsample：一个浮点数，取值范围为[0.0,1.0]，默认值为0。如果小于1.0，则LightGBM会在每次迭代中随机选择部分样本来训练(非重复采样)。如0.8表示：在每棵树训练之前选择80%的样本(非重复采样)来训练。
- bagging_freq或者subsample_freq：一个整数，表示每bagging_freq次执行bagging。如果该参数为0，表示禁用bagging。
- bagging_seed或者bagging_fraction_seed：一个整数，表示bagging的随机数种子，默认为3。
- early_stopping_round或者early_stopping_rounds或者early_stopping：一个整数，默认为0。如果一个验证集的度量在early_stopping_round循环中没有提升，则停止训练。如果为0则表示不开启早停。
- lambda_l1或者reg_alpha：一个浮点数，表示L1正则化系数。默认为0。
- lambda_l2或者reg_lambda：一个浮点数，表示L2正则化系数。默认为0。
- min_split_gain或者min_gain_to_split：一个浮点数，表示执行切分的最小增益，默认为0。
- drop_rate：一个浮点数，取值范围为[0.0,1.0]，表示dropout的比例，默认为1。该参数仅在dart中使用。
- skip_drop：一个浮点数，取值范围为[0.0,1.0]，表示跳过dropout的概率，默认为5。该参数仅在dart中使用。
- max_drop：一个整数，表示一次迭代中删除树的最大数量，默认为50。如果小于等于0，则表示没有限制。该参数仅在dart中使用。
- uniform_drop：一个布尔值，表示是否想要均匀的删除树，默认值为False。该参数仅在dart中使用。
- xgboost_dart_mode：一个布尔值，表示是否使用xgboost dart模式，默认值为False。该参数仅在dart中使用。
- drop_seed：一个整数，表示dropout的随机数种子，默认值为4。该参数仅在dart中使用。
- top_rate：一个浮点数，取值范围为[0.0,1.0]，表示在goss中，大梯度数据的保留比例，默认值为2。该参数仅在goss中使用。
- other_rate：一个浮点数，取值范围为[0.0,1.0]，表示在goss中，小梯度数据的保留比例，默认值为1。该参数仅在goss中使用。
- min_data_per_group：一个整数，表示每个分类组的最小数据量，默认值为100。用于排序任务
- max_cat_threshold：一个整数，表示category特征的取值集合的最大大小。默认为32。
- cat_smooth：一个浮点数，用于category特征的概率平滑。默认值为10。它可以降低噪声在category特征中的影响，尤其是对于数据很少的类。
- cat_l2：一个浮点数，用于category切分中的L2正则化系数。默认为10。
- top_k或者topk：一个整数，用于投票并行中。默认为20。将它设置为更大的值可以获得更精确的结果，但是会降低训练速度。
(3) IO参数
- max_bin：一个整数，表示最大的桶的数量。默认值为255。LightGBM会根据它来自动压缩内存。如max_bin=255时，则LightGBM将使用uint8来表示特征的每一个值。
- min_data_in_bin：一个整数，表示每个桶的最小样本数。默认为3。该方法可以避免出现一个桶只有一个样本的情况。
- data_random_seed：一个整数，表示并行学习数据分隔中的随机数种子。默认为1它不包括特征并行。
- output_model或者model_output或者model_out：一个字符串，表示训练中输出的模型被保存的文件的文件名。默认txt。
- input_model或者model_input或者model_in：一个字符串，表示输入模型的文件的文件名。默认空字符串。对于prediction任务，该模型将用于预测数据，对于train任务，训练将从该模型继续
- output_result或者predict_result或者prediction_result：一个字符串，给出了prediction结果存放的文件名。默认为txt。
- pre_partition或者is_pre_partition：一个布尔值，指示数据是否已经被划分。默认值为False。如果为true，则不同的机器使用不同的partition来训练。它用于并行学习(不包括特征并行)
- is_sparse或者is_enable_sparse或者enable_sparse：一个布尔值，表示是否开启稀疏优化，默认为True。如果为True则启用稀疏优化。
- two_round或者two_round_loading或者use_two_round_loading：一个布尔值，指示是否启动两次加载。默认值为False，表示只需要进行一次加载。默认情况下，LightGBM会将数据文件映射到内存，然后从内存加载特征，这将提供更快的数据加载速度。但是当数据文件很大时，内存可能会被耗尽。如果数据文件太大，则将它设置为True
- save_binary或者is_save_binary或者is_save_binary_file：一个布尔值，表示是否将数据集(包括验证集)保存到二进制文件中。默认值为False。如果为True，则可以加快数据的加载速度。
- verbosity或者verbose：一个整数，表示是否输出中间信息。默认值为1。如果小于0，则仅仅输出critical信息；如果等于0，则还会输出error,warning信息；如果大于0，则还会输出info信息。
- header或者has_header：一个布尔值，表示输入数据是否有头部。默认为False。
- label或者label_column：一个字符串，表示标签列。默认为空字符串。你也可以指定一个整数，如label=0表示第0列是标签列。你也可以为列名添加前缀，如label=prefix:label_name。
- weight或者weight_column：一个字符串，表示样本权重列。默认为空字符串。你也可以指定一个整数，如weight=0表示第0列是权重列。注意：它是剔除了标签列之后的索引。假如标签列为0，权重列为1，则这里weight=0。你也可以为列名添加前缀，如weight=prefix:weight_name。
- query或者query_column或者gourp或者group_column：一个字符串，query/groupID列。默认为空字符串。你也可以指定一个整数，如query=0表示第0列是query列。注意：它是剔除了标签列之后的索引。假如标签列为0，query列为1，则这里query=0。你也可以为列名添加前缀，如query=prefix:query_name。
- ignore_column或者ignore_feature或者blacklist：一个字符串，表示训练中忽略的一些列，默认为空字符串。可以用数字做索引，如ignore_column=0,1,2表示第0,1,2列将被忽略。注意：它是剔除了标签列之后的索引。
- 你也可以为列名添加前缀，如ignore_column=prefix:ign_name1,ign_name2。
- categorical_feature或者categorical_column或者cat_feature或者cat_column：一个字符串，指定category特征的列。默认为空字符串。可以用数字做索引，如categorical_feature=0,1,2表示第0,1,2列将作为category特征。注意：它是剔除了标签列之后的索引。你也可以为列名添加前缀，如categorical_feature=prefix:cat_name1,cat_name2在categorycal特征中，负的取值被视作缺失值。
- predict_raw_score或者raw_score或者is_predict_raw_score：一个布尔值，表示是否预测原始得分。默认为False。如果为True则仅预测原始得分。该参数只用于prediction任务。
- predict_leaf_index或者leaf_index或者is_predict_leaf_index：一个布尔值，表示是否预测每个样本在每棵树上的叶节点编号。默认为False。在预测时，每个样本都会被分配到每棵树的某个叶子节点上。该参数就是要输出这些叶子节点的编号。该参数只用于prediction任务。
- predict_contrib或者contrib或者is_predict_contrib：一个布尔值，表示是否输出每个特征对于每个样本的预测的贡献。默认为False。输出的结果形状为[nsamples,nfeatures+1]，之所以+1是考虑到bais的贡献。所有的贡献加起来就是该样本的预测结果。该参数只用于prediction任务。
- bin_construct_sample_cnt或者subsample_for_bin：一个整数，表示用来构建直方图的样本的数量。默认为200000。如果数据非常稀疏，则可以设置为一个更大的值，如果设置更大的值，则会提供更好的训练效果，但是会增加数据加载时间。
- num_iteration_predict：一个整数，表示在预测中使用多少棵子树。默认为-1。小于等于0表示使用模型的所有子树。该参数只用于prediction任务。
- pred_early_stop：一个布尔值，表示是否使用早停来加速预测。默认为False。如果为True，则可能影响精度。
- pred_early_stop_freq：一个整数，表示检查早停的频率。默认为10
- pred_early_stop_margin：一个浮点数，表示早停的边际阈值。默认为0
- use_missing：一个布尔值，表示是否使用缺失值功能。默认为True如果为False则禁用缺失值功能。
- zero_as_missing：一个布尔值，表示是否将所有的零(包括在libsvm/sparse矩阵中未显示的值)都视为缺失值。默认为False。如果为False，则将nan视作缺失值。如果为True，则np.nan和零都将视作缺失值。
- init_score_file：一个字符串，表示训练时的初始化分数文件的路径。默认为空字符串，表示train_data_file+”.init”(如果存在)
- valid_init_score_file：一个字符串，表示验证时的初始化分数文件的路径。默认为空字符串，表示valid_data_file+”.init”(如果存在)。如果有多个(对应于多个验证集)，则可以用逗号,来分隔。
(4) 目标参数
- sigmoid：一个浮点数，用sigmoid函数的参数，默认为0。它用于二分类任务和lambdarank任务。
- alpha：一个浮点数，用于Huber损失函数和Quantileregression，默认值为0。它用于huber回归任务和Quantile回归任务。
- fair_c：一个浮点数，用于Fair损失函数，默认值为0。它用于fair回归任务。
- gaussian_eta：一个浮点数，用于控制高斯函数的宽度，默认值为0。它用于regression_l1回归任务和huber回归任务。
- posson_max_delta_step：一个浮点数，用于Poisson regression的参数，默认值为7。它用于poisson回归任务。
- scale_pos_weight：一个浮点数，用于调整正样本的权重，默认值为0它用于二分类任务。
- boost_from_average：一个布尔值，指示是否将初始得分调整为平均值(它可以使得收敛速度更快)。默认为True。它用于回归任务。
- is_unbalance或者unbalanced_set：一个布尔值，指示训练数据是否均衡的。默认为True。它用于二分类任务。
- max_position：一个整数，指示将在这个NDCG位置优化。默认为20。它用于lambdarank任务。
- label_gain：一个浮点数序列，给出了每个标签的增益。默认值为0,1,3,7,15,….它用于lambdarank任务。
- num_class或者num_classes：一个整数，指示了多分类任务中的类别数量。默认为1它用于多分类任务。
- reg_sqrt：一个布尔值，默认为False。如果为True，则拟合的结果为：\sqrt{label}。同时预测的结果被自动转换为：{pred}2。它用于回归任务。
(5) 度量参数
metric：一个字符串，指定了度量的指标，默认为：对于回归问题，使用l2；对于二分类问题，使用binary_logloss；对于lambdarank问题，使用ndcg。如果有多个度量指标，则用逗号,分隔。
l1或者mean_absolute_error或者mae或者regression_l1：表示绝对值损失。
l2或者mean_squared_error或者mse或者regression_l2或者regression：表示平方损失。
l2_root或者root_mean_squared_error或者rmse：表示开方损失。
quantile：表示Quantile回归中的损失。
mape或者mean_absolute_percentage_error：表示MAPE损失。
huber：表示huber损失。
fair：表示fair损失。
poisson：表示poisson回归的负对数似然。
gamma：表示gamma回归的负对数似然。
gamma_deviance：表示gamma回归的残差的方差。
tweedie：表示Tweedie回归的负对数似然。
ndcg：表示NDCG。
map或者mean_average_precision：表示平均的精度。
auc：表示AUC。
binary_logloss或者binary：表示二类分类中的对数损失函数。
binary_error：表示二类分类中的分类错误率。
multi_logloss或者multiclass或者softmax或者‘multiclassova或者multiclass_ova，或者ova或者ovr`：表示多类分类中的对数损失函数。
multi_error：表示多分类中的分类错误率。
xentropy或者cross_entropy：表示交叉熵。
xentlambda或者cross_entropy_lambda：表示intensity加权的交叉熵。
kldiv或者kullback_leibler：表示KL散度。
metric_freq或者output_freq：一个正式，表示每隔多少次输出一次度量结果。默认为1。
train_metric或者training_metric或者is_training_metric：一个布尔值，默认为False。如果为True，则在训练时就输出度量结果。
ndcg_at或者ndcg_eval_at或者eval_at：一个整数列表，指定了NDCG评估点的位置。默认为1、2、3、4、5。
2.2 参数影响与调参建议
以下为总结的核心参数对模型的影响，及与之对应的调参建议。
(1) 对树生长控制
- num_leaves：叶节点的数目。它是控制树模型复杂度的主要参数。
- 如果是level-wise，则该参数为2 d e p t h 2^{depth}2 depth，其中depth为树的深度。但是当叶子数量相同时，leaf-wise的树要远远深过level-wise树，非常容易导致过拟合。因此应该让num_leaves小于2 d e p t h 2^{depth}2
depth 。在leaf-wise树中，并不存在depth的概念。因为不存在一个从leaves到depth的合理映射。
- min_data_in_leaf：每个叶节点的最少样本数量。
它是处理leaf-wise树的过拟合的重要参数。将它设为较大的值，可以避免生成一个过深的树。但是也可能导致欠拟合。
- max_depth：树的最大深度。该参数可以显式的限制树的深度。
(2) 更快的训练速度
- 通过设置bagging_fraction和bagging_freq参数来使用bagging方法。
- 通过设置feature_fraction参数来使用特征的子抽样。
- 使用较小的max_bin。
- 使用save_binary在未来的学习过程对数据加载进行加速。
(3) 更好的模型效果
- 使用较大的max_bin(学习速度可能变慢)。
- 使用较小的learning_rate和较大的num_iterations。
- 使用较大的num_leaves(可能导致过拟合)。
- 使用更大的训练数据。
- 尝试dart。
(4) 缓解过拟合问题
- 使用较小的max_bin。
- 使用较小的num_leaves。
- 使用min_data_in_leaf和min_sum_hessian_in_leaf。
- 通过设置bagging_fraction和bagging_freq来使用bagging。
- 通过设置feature_fraction来使用特征子抽样。
- 使用更大的训练数据。
- 使用lambda_l1、lambda_l2和min_gain_to_split来使用正则。
- 尝试max_depth来避免生成过深的树。