params['learning_rate'] = 0.1 params['boosting_type'] = 'gbdt' params['objective'] = 'gamma' params['metric'] = 'l1' params['sub_feature'] = 0.5 params['num_leaves'] = 40 params['min_data'] = 50 params['max_depth'] = 30 lgb_model = lgb.train(params, d_train, 1000) #Prediction y_pred=lgb_model.predict(X_test) mae_error = mean_absolute_error(y_test,y_pred) print(mae_error)

但当我继续使用GridSearchCV时，我遇到了问题。我不完全确定如何正确设置。我找到了一些有用的资料，例如 here ，但他们似乎在用一个分类器工作。

1st try:

from sklearn.metrics import make_scorer
score_func = make_scorer(mean_absolute_error, greater_is_better=False)
model = lgb.LGBMClassifier( 
    boosting_type="gbdt",
    objective='regression',
    is_unbalance=True, 
    random_state=10, 
    n_estimators=50,
    num_leaves=30, 
    max_depth=8,
    feature_fraction=0.5,  
    bagging_fraction=0.8, 
    bagging_freq=15, 
    learning_rate=0.01,    
params_opt = {'n_estimators':range(200, 600, 80), 'num_leaves':range(20,60,10)}
gridSearchCV = GridSearchCV(estimator = model, 
    param_grid = params_opt, 
    scoring=score_func)
gridSearchCV.fit(X_train,y_train)
gridSearchCV.grid_scores_, gridSearchCV.best_params_, gridSearchCV.best_score_
，之前给了我一堆的错误。
  
"ValueError:未知标签类型：'连续'"
更新:我使代码运行时切换了LGBMClassifier和LGBMModel。我是否也应该尝试使用LGBMRegressor，或者这并不重要？(来源：LGBMMel)https://lightgbm.readthedocs.io/en/latest/_modules/lightgbm/sklearn.html)
    
2 个评论
ipramusinto：
你使用了LGBMClassifier，但你定义了objective: 'regression'。如果你的预测值是连续的，请尝试LGBMRegressor；如果你的任务是分类，请尝试objective: binary。
Helen：
是的，谢谢你，我刚刚想明白了:)如果我有大量的数据，你是否有任何提示，不同的参数应该在什么范围？
python
grid-search
lightgbm
Helen
发布于 2018-10-06
1 个回答
Mischa Lisovyi
发布于 2018-12-01
已采纳
0 人赞同