创建LightGBM Dataset及调用train API时，params参数可指定哪些内容？

一、lightgbm.Dataset的params参数可指定内容 #

lightgbm.Dataset的params用于配置数据加载、预处理相关逻辑，官方文档虽未详细罗列，但其可指定的键主要包括：

• max_bin: 特征的最大分箱数，控制直方图的精细度
• min_data_in_bin: 每个分箱需包含的最小样本数，避免分箱过细导致过拟合
• data_random_seed: 数据采样时的随机种子，保证数据处理过程可复现
• is_unbalance: 布尔值，标记是否为不平衡分类数据集，启用后模型会自动调整样本权重
• scale_pos_weight: 正样本的权重系数，用于二分类不平衡场景，平衡正负样本对损失的贡献
• categorical_feature: 分类特征的列索引或名称列表，告知模型哪些特征是分类类型
• ignore_column: 需要忽略的特征列索引或名称列表，加载数据时会跳过这些列
• weight: 样本权重数组，用于赋予不同样本不同的重要性
• group: 样本分组信息，适用于排序、推荐等需要按组处理的任务

二、lightgbm.train的params参数可指定内容 #

lightgbm.train的params是模型训练的核心配置，优先级高于单独传入的参数，完整可指定键列表按类别整理如下：

核心训练配置 #

• boosting_type: 提升算法类型，可选值包括gbdt（梯度提升决策树）、dart（Dropouts meet Multiple Additive Regression Trees）、goss（Gradient-based One-Side Sampling）、rf（随机森林）
• objective: 目标函数，常用值有binary（二分类）、multiclass（多分类，需配合num_class参数）、regression（回归）、regression_l1（L1回归）等
• metric: 评估指标，可指定单个或多个，比如auc、logloss、mse、mae、accuracy等
• num_leaves: 每棵树的最大叶子节点数，控制树的复杂度
• learning_rate: 学习率，控制每轮迭代的步长，通常设置为0.01-0.1
• n_estimators: 迭代次数（即树的数量）
• max_depth: 树的最大深度，限制树的生长，防止过拟合（若不设置则由num_leaves控制）
• min_child_samples: 叶子节点所需的最小样本数，样本不足时不会继续分裂节点

正则化配置 #

• lambda_l1: L1正则化系数，用于约束模型权重，减少过拟合
• lambda_l2: L2正则化系数，作用同L1，只是正则化方式不同
• min_split_gain: 节点分裂所需的最小增益，只有当分裂带来的增益大于该值时才会进行分裂
• feature_fraction: 每轮迭代随机选择的特征比例，用于特征采样，减少过拟合
• bagging_fraction: 每轮迭代随机选择的样本比例，用于样本采样，减少过拟合
• bagging_freq: 执行bagging的迭代间隔次数，比如设为5表示每5轮进行一次样本采样

不平衡数据集配置 #

• is_unbalance: 布尔值，标记是否为不平衡分类数据集，启用后模型自动调整样本权重
• scale_pos_weight: 正样本权重系数，用于二分类不平衡场景，平衡正负样本对损失的贡献

其他配置 #

• random_state: 随机种子，保证训练过程的可复现性
• verbose: 日志输出级别，0为静默模式，1为基本信息输出，2为详细日志输出

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