1. 属性：
   • .n_features_：一个整数，给出了特征的数量
   • .classes_：一个形状为(n_classes,) 的numpy array， 给出了样本的标签。（仅仅在分类问题中有效）
   • .n_classes_：一个整数，给出了类别的数量。（仅仅在分类问题中有效）
   • .best_score_：一个字典或者None，给出了训练完毕模型的最好的score
   • .best_iteration_：一个字典或者None。当early_stopping_round 参数设定时，它给出了训练完毕模型的最好的迭代步。
   • .objective_：一个字符串或者可调用对象，给出了训练模型的目标函数
   • .booster_：一个Booster对象，给出了底层的Booster 对象。
   • .evals_result_：一个字典或者None。当early_stopping_round 参数设定时，它给出了模型的evaluation results 。
   • .feature_importances_： 一个形状为(n_features,) 的 numpy array，给出了特征的重要性（值越大，则对于的特征越重要）。

2. 方法：

• .apply(X,num_iteration=0)： 预测每个样本在每个树的哪个叶节点上。
  • 参数：
    • X： 一个array-like 对象，或者一个sparse matrix， 其形状为(n_samples,n_features) ，表示测试样本集
    • num_iteration： 一个整数，指示在预测时，使用多少个子树。默认为0，表示使用所有的子树。
  • 返回值：一个array-like对象，形状为(n_samples,n_trees)。 它给出了每个样本在每个子树的哪个节点上。
• .fit()： 训练模型。 .fit(X, y, sample_weight=None, init_score=None, group=None, eval_set=None,    eval_names=None, eval_sample_weight=None, eval_init_score=None,    eval_group=None, eval_metric=None, early_stopping_rounds=None, verbose=True,    feature_name='auto', categorical_feature='auto', callbacks=None) 参数：
  • X： 一个array-like 对象，或者一个sparse matrix， 其形状为(n_samples,n_features) ，表示训练样本集
  • y： 一个array-like对象，形状为(n_samples,)，给出了标签值。
  • sample_weight：一个形状为(n_samples,) 的array-like 对象，或者为None。给出了每个训练样本的权重。默认为None
  • init_score： 一个形状为(n_samples,) 的array-like 对象，或者为None。给出了每个训练样本的init score 。默认为None
  • group： 一个形状为(n_samples,) 的array-like 对象，或者为None。给出了每个训练样本的分组。默认为None
  • eval_set：一个元素为(X,y) 的列表，或者None。 给出了验证集，用于早停。默认为None。 其中X,y 的类型与参数X,y 相同。
  • eval_names：一个字符串的列表，或者None。给出了每个验证集的名字。默认为None。
  • eval_sample_weight：一个array-like 的列表，或者None。 给出了每个验证集中，每个样本的权重。默认为None。
  • eval_init_score：一个array-like 的列表，或者None。 给出了每个验证集中，每个样本的init score。默认为None。
  • eval_group：一个array-like 的列表，或者None。 给出了每个验证集中，每个样本的分组。默认为None。
  • eval_metric：一个字符串、字符串列表、可调用对象、或者None。 给出了验证的metric。默认为None。
  • early_stopping_rounds：一个整数或者None，默认为None。参考lightgbm.train()
  • verbose： 一个布尔值。如果为True，并且至少有一个验证集，则输出evaluation 信息。
  • feature_name：一个字符串列表、或者'auto'。参考lightgbm.train()
  • categorical_feature：一个字符串列表、整数、或者'auto'。参考lightgbm.train()
  • callbacks：一个可调用对象的列表或者为None 。参考lightgbm.train()

  返回值：self，即当前LGBMModel 对象自己

• .predict(X,raw_score=False,num_iteration=0)： 执行预测。 参数：
  • X： 一个array-like 对象，或者一个sparse matrix， 其形状为(n_samples,n_features) ，表示测试样本集。 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。
  • raw_score：一个布尔值，指示是否输出raw score。 默认为False
  • num_iteration：一个整数，指示在预测时，使用多少个子树。默认为0，表示使用所有的子树。

  返回值：一个形状为(n_samples,) 或者形状为(n_samples,n_classed) 的array-like 对象，表示预测结果