在Optuna中使用LightGBM自定义目标函数时如何抑制警告？

针对你遇到的[LightGBM] [Warning] No further splits with positive gain警告，常规的warnings模块和verbosity参数无效，是因为这些警告是LightGBM底层直接打印到控制台的，不属于Python标准警告体系，以下是几种有效的解决方法：

方法1：全局设置LightGBM日志级别 #

直接调用LightGBM的日志控制接口，将日志级别设为错误级别（仅输出错误，屏蔽警告）：

import lightgbm as lgb

# 在代码开头全局设置日志级别
lgb.set_logging_level(lgb.logging.ERROR)

方法2：在模型初始化时添加log_level参数 #

在创建LGBMClassifier实例时，显式指定log_level=-1（-1对应ERROR级别，彻底屏蔽警告）：

model = lgb.LGBMClassifier(fixed_params_gbm2, params, verbosity=-1, log_level=-1)

方法3：临时重定向标准错误流 #

使用Python的contextlib模块临时捕获并丢弃stderr输出，避免警告打印：

from contextlib import redirect_stderr
import os

def gbm_cl_bo2(params):
    stratified_kfold = StratifiedKFold(n_splits=3)
    accuracy_scores = []
    
    for train_index, val_index in stratified_kfold.split(train_features, train_labels):
        X_train, X_val = train_features[train_index], train_features[val_index]
        y_train, y_val = train_labels[train_index], train_labels[val_index]
        
        # 临时重定向stderr到空设备
        with redirect_stderr(open(os.devnull, 'w')):
            model = lgb.LGBMClassifier(fixed_params_gbm2, params, verbosity=-1)
            model.fit(X_train, y_train)
        
        y_preds = loss.sigmoid(model.predict(X_val))
        y_pred_binary = (y_preds > 0.5).astype(int)
        accuracy = accuracy_score(y_val, y_pred_binary)
        accuracy_scores.append(accuracy)
    
    return np.mean(accuracy_scores)

补充：减少警告触发的根源 #

警告本质是因为当前树无法找到增益为正的分裂节点，你可以尝试调整参数减少这类情况：

• 调大min_split_gain的最小值（比如从0改为0.01），避免尝试无意义的分裂
• 适当调小max_depth或者调大min_child_samples，控制树的复杂度

内容的提问来源于stack exchange，提问作者pppp_prs