LGBM多分类调优代码

以下是一个LGBM多分类的调优代码示例：

import lightgbm as lgb
from sklearn.metrics import f1_score
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_iris

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 定义LGBM分类器模型
lgb_model = lgb.LGBMClassifier(objective='multiclass', num_class=3, silent=True)

# 定义参数搜索范围
param_grid = {
    'learning_rate': [0.01, 0.05, 0.1],
    'n_estimators': [50, 100, 150],
    'max_depth': [3, 5, 7],
    'num_leaves': [5, 10, 15]
}

# 定义网格搜索对象
grid_search = GridSearchCV(estimator=lgb_model, param_grid=param_grid, cv=3, scoring='f1_macro')

# 训练模型
grid_search.fit(X, y)

# 输出最优参数
print('Best parameters:', grid_search.best_params_)

# 输出最优得分
print('Best score:', grid_search.best_score_)

在上面的代码中，我们使用了Sklearn的GridSearchCV函数进行参数搜索。我们定义了LGBM分类器模型，并指定了目标函数为多分类任务。我们还定义了参数搜索范围，包括学习率、估计器数量、最大深度和叶子节点数。然后我们训练模型，使用f1-macro得分作为评价指标。最后输出了最优参数和最优得分。