如何在Python中使用新数据更新已训练的LGBMRegressor模型？

LightGBM的scikit-learn接口并没有提供你期望的update方法，但可以通过fit方法结合init_model参数实现增量训练，下面是具体实现方式：

方式1：直接在原模型上增量训练 #

如果你不需要保留原模型的初始状态，直接调用已训练模型的fit方法，传入新数据并指定init_model为自身，同时必须设置keep_training_booster=True（默认fit后会转换内部booster对象，导致无法继续训练）：

# 在原模型基础上继续训练新数据
reg.fit(X_new, y_new, init_model=reg, keep_training_booster=True)

方式2：保留原模型，训练新的增量模型 #

如果需要保留原模型的初始状态，先通过深复制创建原模型的副本，再在副本上执行增量训练：

import copy

# 深复制原模型，避免修改原始模型
reg2 = copy.deepcopy(reg)
# 在副本上增量训练新数据
reg2.fit(X_new, y_new, init_model=reg2, keep_training_booster=True)

额外注意事项 #

• 新数据的特征必须和原训练数据完全一致（特征数量、顺序、数据类型都要匹配），否则会触发错误。
• 可以通过num_iterations参数指定增量训练的轮数（即新增多少棵决策树），比如：

  reg.fit(X_new, y_new, init_model=reg, keep_training_booster=True, num_iterations=50)
  

内容的提问来源于stack exchange，提问作者Fernando Quintino