lightgbm算法python代码

以下是一个简单的 LightGBM 算法的 Python 代码示例：

import lightgbm as lgb
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 加载数据集
data = pd.read_csv('data.csv')
X = data.drop('y', axis=1)
y = data['y']

# 将数据集划分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建 LightGBM 数据集对象
lgb_train = lgb.Dataset(X_train, y_train)
lgb_test = lgb.Dataset(X_test, y_test, reference=lgb_train)

# 设置 LightGBM 参数
params = {
    'boosting_type': 'gbdt',
    'objective': 'regression',
    'metric': {'rmse'},
    'num_leaves': 31,
    'learning_rate': 0.05,
    'feature_fraction': 0.9,
    'bagging_fraction': 0.8,
    'bagging_freq': 5,
    'verbose': 0
}

# 训练 LightGBM 模型
gbm = lgb.train(params,
                lgb_train,
                num_boost_round=1000,
                valid_sets=lgb_test,
                early_stopping_rounds=50)

# 在测试集上评估模型
y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
print('RMSE:', rmse)

在这个示例中，我们首先加载数据集并将其划分为训练集和测试集。然后，我们创建了 LightGBM 的数据集对象，并设置了模型参数。接下来，我们使用训练集训练了 LightGBM 模型，并在测试集上评估了模型的表现。最后，我们打印出了模型在测试集上的 RMSE 值。