R语言使用lightgbm包构建二分类的LightGBM模型、输出二分类混淆矩阵（包含：准确率及其置信区、p值、Kappa、特异度、灵敏度等）

在R语言中，利用`lightgbm`包构建二分类LightGBM模型通常涉及以下几个步骤：

1. **安装和加载库**：
首先需要安装`lightgbm`和一些数据处理库，如`tidyverse`。你可以通过运行`install.packages("lightgbm")`和`install.packages(c("tidyverse", "caret"))`来完成。

2. **数据准备**：
加载数据集，例如使用`read.csv()`或`data.table::fread()`读取CSV文件，并将数据划分为训练集和测试集。

library(lightgbm)
library(tidyverse)
# 加载数据
data <- data[1:80 %>% sample(nrow(data)), ]
test_data <- data[-(1:80), ]

3. **模型构建**：
使用`lightgbm`函数创建一个二分类模型。设置适当的参数，比如学习速率、树的数量、特征重要性等。

params <- list(
  objective = "binary",
  metric = "binary_logloss",
  num_leaves = 31,
  learning_rate = 0.1,
  n_estimators = 1000
)

lgb_model <- lgb.Dataset(train_data[, -c("target_column")], label = train_data$target_column, 
                         free_raw_data = FALSE) %>%
  lightgbm::boosting(params, verbose = FALSE)

4. **预测与评估**：
对测试集应用模型并计算混淆矩阵。这里可以使用`caret`包中的`confusionMatrix`函数。

pred <- predict(lgb_model, test_data[, -c("target_column")])
test_data$predicted <- ifelse(pred > 0.5, 1, 0) # 预测类别

cm <- confusionMatrix(test_data$target_column, test_data$predicted)
cm

`confusionMatrix`会返回一个包含多种评价指标的表格，包括准确率（Accuracy）、精确率（Precision）、召回率（Sensitivity / Recall）、F1分数、支持度（Support）、预估值（Predicted Values）、实际值（Observed Values），以及混淆矩阵。其中，Kappa值是Cohen's kappa系数，表示观察到的分类一致性程度，P值是统计学上检验预测性能优劣的概率。