lightgbm损失函数

LightGBM是一个高效的梯度 boosting 框架，它采用了新颖的 leaf-wise（从叶到根）增长策略和 histogram-based（基于直方图）分裂策略。关于损失函数，LightGBM支持多种内置的优化目标：

1. **L1** (绝对值) Loss: 对每个样本预测值和真实值之差取绝对值求平均，常用于回归问题，促进稀疏解。
2. **L2** (平方) Loss: 类似于均方误差(MSE)，对每个样本预测值和真实值之差的平方求平均，适合连续数值预测。
3. **Logistic** Loss: 二分类任务中常用的对数损失函数，计算交叉熵，用于处理概率分布的差异。
4. **CrossEntropy** Loss: 一般用于多分类任务，也是通过计算交叉熵来评估模型预测结果的不确定性。
5. **Huber** Loss: 结合了 L1 和 L2 的优点，对于离群点更健壮，靠近 L1 而在接近零的地方更像 L2。
6. **Quantile** Loss: 可以生成指定概率分位数的预测，适用于需求定制化风险预测的问题。

在训练过程中，你可以通过设置`objective`参数来选择特定的损失函数。例如，在命令行中：

lightgbm_train --objective l1 ...  

或在Python API中：

params = {'objective': 'regression_l1'}
lgbm_model.fit(X_train, y_train, params=params)