1. lightgbm.train() 函数执行直接训练。

lightgbm.train(params, train_set, num_boost_round=100, valid_sets=None,  valid_names=None, fobj=None, feval=None, init_model=None, feature_name='auto',  categorical_feature='auto', early_stopping_rounds=None, evals_result=None,   verbose_eval=True, learning_rates=None, keep_training_booster=False, callbacks=None)

参数：

• params： 一个字典，给出了训练参数
• train_set： 一个Dataset对象，给出了训练集
• num_boost_round： 一个整数，给出了boosting iteration 的次数。默认为100
• valid_sets：一个Dataset 的列表或者None，给出了训练期间用于evaluate的数据集。默认为None
• valid_names：一个字符串列表或者None， 给出了valid_sets 中每个数据集的名字。默认为None
• fobj：一个可调用对象或者None，表示自定义的目标函数。默认为None
• 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。
• init_model：一个字符串或者None，它给出了lightgbm model 保存的文件名，或者Booster实例的名字。后续的训练在该model 或者Booster 实例的基础上继续训练。默认为None
• feature_name： 一个字符串列表或者'auto'，它指定了特征的名字。默认为'auto'
  • 如果数据源为pandas DataFrame 并且feature_name='auto'，则使用DataFrame 的 column names
• categorical_feature：一个字符串列表、整数列表、或者'auto'。它指定了categorical 特征。默认为'auto'
  • 如果是整数列表，则给定了categorical 特征的下标
  • 如果是字符串列表，在给定了categorical 特征的名字。此时必须设定feature_name 参数。
  • 如果是'auto' 并且数据源为pandas DataFrame，则DataFrame 的 categorical 列将作为categorical 特征
• early_stopping_rounds：一个整数或者None，表示验证集的score 在连续多少轮未改善之后就早停。默认为None 该参数要求至少有一个验证集以及一个metric。 如果由多个验证集或者多个metric，则对所有的验证集和所有的metric 执行。 如果发生了早停，则模型会添加一个best_iteration字段。该字段持有了最佳的迭代步。
• evals_result：一个字典或者None，这个字典用于存储在valid_sets 中指定的所有验证集的所有验证结果。默认为None
• verbose_eval：一个布尔值或者整数。默认为True
  • 如果是True，则在验证集上每个boosting stage 打印对验证集评估的metric。
  • 如果是整数，则每隔verbose_eval 个 boosting stage 打印对验证集评估的metric。
  • 否则，不打印这些

  该参数要求至少由一个验证集。

• learning_rates：一个列表、None、 可调用对象。它指定了学习率。默认为None
  • 如果为列表，则它给出了每一个boosting 步的学习率
  • 如果为一个可调用对象，则在每个boosting 步都调用它，从而生成一个学习率
  • 如果为一个数值，则学习率在学习期间都固定为它。

  你可以使用学习率衰减从而生成一个更好的学习率序列。

• keep_training_booster：一个布尔值，指示训练得到的Booster对象是否还会继续训练。默认为False
  • 如果为False，则返回的booster 对象在返回之前将被转换为_InnerPredictor 。 当然你也可以将_InnerPredictor 传递给init_model 参数从而继续训练。
• callbacks：一个可调用对象的列表，或者None。 它给出了在每个迭代步之后需要执行的函数。默认为None

返回：一个Booster 实例