训练后从LightGBM模型文件提取超参数遇属性错误求助

你遇到的问题是LightGBM的Booster对象并没有get_params()方法，ChatGPT提供的代码有误，以下是两种可行的解决方法：

方法一：使用Booster内置的params属性 #

LightGBM的Booster实例自带params属性，可直接获取训练时使用的核心超参数：

import lightgbm as lgb

# 加载模型文件
gbm = lgb.Booster(model_file='path_to_your_model.txt')

# 提取超参数
hyperparameters = gbm.params

# 遍历打印所有超参数
for key, value in hyperparameters.items():
    print(f"{key}: {value}")

这个方法返回的参数包含训练时的核心配置，比如learning_rate、num_leaves、n_estimators等调优常用的超参数。

方法二：直接解析模型文本文件 #

如果需要更完整的参数（比如训练时的回调设置、数据相关配置），可以直接读取.txt模型文件的开头部分——LightGBM会在模型文件头部记录所有训练参数，直到[tree_info]标记开始：

with open('path_to_your_model.txt', 'r', encoding='utf-8') as f:
    for line in f:
        # 遇到树结构信息时停止解析
        if line.strip().startswith('[tree_info]'):
            break
        # 提取键值对格式的参数
        if '=' in line:
            key, value = line.strip().split('=', maxsplit=1)
            print(f"{key}: {value.strip()}")

注意事项 #

• 不同版本的LightGBM生成的模型文件格式可能略有差异，若解析时出现异常，可调整停止标记（比如有些版本用[objective]作为参数区的起始，或直接以空行分隔参数区）。
• 对于Optuna调参生成的模型，params属性返回的内容已覆盖调优的核心超参数，足以满足模型复现需求。

内容的提问来源于stack exchange，提问作者samac