方法：

• .add_valid(data,name)： 添加一个验证集。
  • 参数：
    • data： 一个Dataset，代表一个验证集
    • name： 一个字符串，表示该验证集的名字。不同的验证集通过名字来区分
• .attr(key)： 获取属性的值。
  • 参数：key： 一个字符串，表示属性的名字
  • 返回值：该属性的名字。如果属性不存在则返回None
• .current_iteration()： 返回当前的迭代的index（即迭代的编号）
• .dump_model(num_iteration=-1)： dump 当前的Booster 对象为json 格式。
  • 参数：num_iteration： 一个整数，指定需要dump 第几轮训练的结果。如果小于0，则最佳迭代步的结果（如果存在的话）将被dump。默认为-1。
  • 返回值：一个字典，它表示dump 之后的json
• .eval(data,name,feval=None)： 对指定的数据集evaluate
  • 参数：
    • data： 一个Dataset 对象，代表被评估的数据集
    • name： 一个字符串，表示被评估的数据集的名字。不同的验证集通过名字来区分
    • feval： 一个可调用对象或者None， 它表示自定义的evaluation 函数。默认为None。它的输入为(y_true, y_pred)、或者( y_true, y_pred, weight) 、或者(y_true, y_pred, weight, group)， 返回一个元组：(eval_name,eval_result,is_higher_better) 。或者返回该元组的列表。
  • 返回值：一个列表，给出了evaluation 的结果。
• .eval_train(feval=None)： 对训练集进行evaluate
  • 参数：feval： 参考.eval() 方法
  • 返回值：一个列表，给出了evaluation 的结果。
• .eval_valid(feval=None)：对验证集进行evaluate
  • 参数：feval： 参考.eval() 方法
  • 返回值：一个列表，给出了evaluation 的结果。
• .feature_importance(importance_type='split', iteration=-1)： 获取特征的importance
  • 参数：
    • importance_type： 一个字符串，给出了特征的importance衡量指标。默认为'split'。 可以为：
      • 'split'： 此时特征重要性衡量标准为：该特征在所有的树中，被用于划分数据集的总次数。
      • 'gain'： 此时特征重要性衡量标准为：该特征在所有的树中获取的总收益。
    • iteration： 一个整数，指定需要考虑的是第几轮训练的结果。如果小于0，则最佳迭代步的结果（如果存在的话）将被考虑。默认为-1。
  • 返回值：一个numpy array，表示每个特征的重要性
• .feature_name()： 获取每个特征的名字。
  • 返回值：一个字符串的列表，表示每个特征的名字
• .free_dataset()：释放Booster 对象的数据集
• .free_network()： 释放Booster 对象的Network
• .get_leaf_output(tree_id, leaf_id)： 获取指定叶子的输出
  • 输入：
    • tree_id： 一个整数，表示子学习器的编号
    • leaf_id： 一个整数，表示该子学习器的叶子的编号
  • 返回值：一个浮点数，表示该叶子节点的输出
• .num_feature()： 获取特征的数量（即由多少列特征）
• .predict(data, num_iteration=-1, raw_score=False, pred_leaf=False, pred_contrib=False, data_has_header=False, is_reshape=True, pred_parameter=None)： 执行预测
  • 参数：
    • data： 一个字符串、numpy array 或者scipy.sparse， 表示被测试的数据集。如果为字符串，则表示测试集所在的文件的文件名。 注意：如果是numpy array 或者 pandas dataframe 时，要求数据的列必须与训练时的列顺序一致。
    • num_iteration：一个整数，表示用第几轮的迭代结果来预测。如果小于0，则最佳迭代步的结果（如果存在的话）将被使用。默认为-1。
    • raw_score： 一个布尔值，指示是否输出raw scores。 默认为False
    • pred_leaf： 一个布尔值。如果为True，则会输出每个样本在每个子树的哪个叶子上。它是一个nsample x ntrees 的矩阵。默认为False。 每个子树的叶节点都是从1 开始编号的。
    • pred_contrib：一个布尔值。如果为True， 则输出每个特征对每个样本预测结果的贡献程度。它是一个nsample x ( nfeature+1) 的矩阵。默认为False。 之所以加1，是因为有bias 的因素。它位于最后一列。 其中样本所有的贡献程度相加，就是该样本最终的预测的结果。
    • data_has_header：一个布尔值，指示数据集是否含有标题。仅当data 是字符串时有效。默认为False。
    • is_reshape：一个布尔值，指示是否reshape 结果成[nrow,ncol]。 默认为True
    • pred_parameter： 一个字典或者None，给出了其它的参数。默认为None
  • 返回值：一个numpy array，表示预测结果
• .reset_parameter(params)：重设Booster 的参数。
  • 参数：params：一个字典，给出了新的参数
• .rollback_one_iter()： 将Booster 回滚一个迭代步
• .save_model(filename,num_iteration=-1)： 保存Booster 对象到文件中。
  • 参数：
    • filename： 一个字符串，给出了保存的文件的文件名
    • num_iteration： 一个整数，指定需要保存的是第几轮训练的结果。如果小于0，则最佳迭代步的结果（如果存在的话）将被保存。默认为-1。
• .set_attr(**kwargs)： 设置Booster 的属性。
  • 参数：kwargs： 关键字参数，用于设定Booster 属性。对于值为None 的设置，等效于删除该属性。
• .set_network(machines,local_listen_port=12400,listen_time_out=120,num_machines=1)： 配置网络
  • 参数：
    • machines：一个字符串的列表、或者字符串的集合。它给出了每台机器的名字
    • local_listen_port： 一个整数，默认为 12400，指定了监听端口
    • listen_time_out： 一个整数，默认为120， 制定了socket 超时的时间（单位为分钟）
    • num_machines： 一个整数，默认为1，表示并行学习的机器的数量
• .set_train_data_name(name)： 设置训练集的名字
  • 参数：name： 一个字符串，表示训练集的名字
• .update(train_set=None, fobj=None)： 更新一个迭代步
  • 参数：
    • train_set： 一个Dataset 或者None， 表示训练集。如果为None，则上一个训练集被使用
    • fobj： 一个可调用对象或者None，表示自定义的目标函数。 注意：如果是多类别分类任务，则：score 首先根据class_id 进行分组，然后根据row_id 分组。如果你想得到第i 个样本在第j 个类别上的得分，访问方式为：score[j*num_data+i]。 同理：grad 和 hess 也是以这样的方式访问。
  • 返回值：一个布尔值，指示该次更新迭代步是否成功结束。