自定义继承LGBMClassifier的类运行报错：KeyError: 'random_state'

你的自定义子类触发KeyError: 'random_state'的核心原因是sklearn的BaseEstimator（LGBMClassifier的父类之一）的get_params()方法依赖于类的__init__参数列表。

你定义的MyClf类的__init__仅接受**kwargs，而sklearn的_get_param_names()方法会自动排除可变关键字参数（**kwargs），导致get_params()返回空字典。LightGBM的fit方法需要从self.params（由get_params()生成）中读取random_state参数，因此触发键不存在的错误。

根据你的需求，有两种简单的修复方式：

方案1：删除不必要的__init__方法 #

如果你的子类__init__没有自定义逻辑，只是调用父类的初始化，完全可以删除该方法，直接继承父类的__init__：

class MyClf(LGBMClassifier):
    def fit(self, X, y=None):
        return super().fit(X, y=y)

    def predict(self, X):
        return super().predict(X)

    def predict_proba(self, X):
        return super().predict_proba(X)

方案2：重写_get_param_names()（需保留__init__时使用） #

如果必须保留自定义__init__，则重写_get_param_names()方法，让它返回父类的参数列表，确保get_params()能正确获取所有参数：

class MyClf(LGBMClassifier):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)

    @classmethod
    def _get_param_names(cls):
        return super()._get_param_names()

    def fit(self, X, y=None):
        return super().fit(X, y=y)

    def predict(self, X):
        return super().predict(X)

    def predict_proba(self, X):
        return super().predict_proba(X)

修改后的代码运行时，self.params会包含LGBMClassifier的所有默认参数（包括random_state=None），fit、predict、predict_proba方法均可正常执行。

内容的提问来源于stack exchange，提问作者emremrah