由于知道在回归问题中，训练集的所得到的模型是优于测试集和验证集的，那么我们如何是现在在python中对测试集的结果画出最拟合的图像，请以lightgbm将数据分为训练集测试集和验证集为例

可以使用matplotlib库将模型在测试集上的表现可视化，以下是使用LightGBM在Python中进行训练和测试，并将测试结果可视化的示例代码：

import lightgbm as lgb
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# 加载数据
boston = load_boston()
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)

# 转换成LightGBM数据集格式
train_data = lgb.Dataset(X_train, label=y_train)
test_data = lgb.Dataset(X_test, label=y_test)

# 参数设置
params = {
    'boosting_type': 'gbdt',
    'objective': 'regression',
    'metric': 'rmse',
    'num_leaves': 31,
    'learning_rate': 0.05,
    'feature_fraction': 0.9
}

# 模型训练
model = lgb.train(params, train_data, valid_sets=[test_data], num_boost_round=100, early_stopping_rounds=10)

# 测试集预测
y_pred = model.predict(X_test)

# 可视化拟合程度
plt.scatter(y_test, y_pred, alpha=0.8)
plt.plot(np.arange(0, 55), np.arange(0, 55), c='red')
plt.xlabel('True values')
plt.ylabel('Predicted values')
plt.title('Predicted vs True values')
plt.show()

这段代码首先加载了波士顿房价数据集，将其分割为训练集和测试集。然后使用LightGBM的数据集格式将其转换为LightGBM可以处理的格式。接着设置模型参数，训练模型，并在测试集上进行预测。最后，使用matplotlib将预测值和真实值可视化，以检查模型在测试集上的表现。