我现在有训练集train_scaler_X 和二分类标签y_2,y_2是一个list类型的标签，其中的每个值对应train_scaler_X的每个id的标签值，请你用lgb给我写一个二分类的模型

当给定训练集 `train_scaler_X` 和二分类标签 `y_2`，可以使用 LightGBM（LGBM）来构建一个二分类模型。下面是一个示例代码：

import lightgbm as lgb
from sklearn.model_selection import train_test_split

# 划分训练集和验证集
X_train, X_val, y_train, y_val = train_test_split(train_scaler_X, y_2, test_size=0.2, random_state=42)

# 创建 LGBM 数据集
train_data = lgb.Dataset(X_train, label=y_train)

# 定义模型参数
params = {
    'objective': 'binary',
    'metric': 'binary_logloss',
}

# 训练模型
model = lgb.train(params, train_data, num_boost_round=100)

# 在验证集上进行预测
y_pred = model.predict(X_val)

# 可以根据需要设置阈值来将概率转换为类别
y_pred_class = (y_pred > 0.5).astype(int)

上述代码中，首先使用 `train_test_split` 函数将训练集划分为训练集和验证集，比例为 8:2。然后，使用 `lgb.Dataset` 创建 LGBM 所需的数据集格式，将训练集的特征和对应的标签传入。

接下来，定义模型参数 `params`，其中 `'objective': 'binary'` 表示二分类问题，`'metric': 'binary_logloss'` 表示使用二分类的对数损失作为评估指标。

然后，使用 `lgb.train` 函数传入模型参数和训练数据进行模型训练，`num_boost_round` 表示迭代次数。

训练完成后，可以使用训练好的模型在验证集上进行预测，得到预测结果 `y_pred`。根据需要，可以使用阈值将概率转换为类别，例如 `0.5`。

请注意，这只是一个简单的示例代码，你可以根据实际情况调整模型参数和添加其他功能以满足你的需求。