model.LGBMRegressor.fit（x_train，y_train）和lightgbm.train（train_data，valid_sets = test_data）有什么区别？

Question

我尝试了两种实现轻型GBM的方法。期望它返回相同的值，但没有。

我认为lgb.LightGBMRegressor（）和lgb.train（train_data，test_data）将返回相同的精度，但没有。所以我想知道为什么吗？

中断数据的功能

def dataready(train, test, predictvar):
    included_features = train.columns
    y_test = test[predictvar].values
    y_train = train[predictvar].ravel()
    train = train.drop([predictvar], axis = 1)
    test = test.drop([predictvar], axis = 1)
    x_train = train.values
    x_test = test.values
    return x_train, y_train, x_test, y_test, train

这就是我分解数据的方式

x_train, y_train, x_test, y_test, train2 = dataready(train, test, 'runtime.min')
train_data = lgb.Dataset(x_train, label=y_train)
test_data = lgb.Dataset(x_test, label=y_test)

预测模型

lgb1 = LMGBRegressor()
lgb1.fit(x_train, y_train)
lgb = lgb.train(parameters,train_data,valid_sets=test_data,num_boost_round=5000,early_stopping_rounds=100)

我希望它大致相同，但事实并非如此。据我了解，一个是助推器，另一个是回归器？

Answer 1

LGBMRegressor是sklearn的界面。 .fit(X, y)调用是用于模型训练的标准sklearn语法。它是一个类对象，可以用作sklearn生态系统的一部分（用于运行管道，参数调整等）。

lightgbm.train是lightgbm本身的核心培训API。

XGBoost和许多其他流行的ML培训库具有类似的区别（例如，核心API使用xgb.train(...)，而sklearn API使用XGBClassifier或XGBRegressor）。