最好以怎样的顺序来调整lightgbm超参

学习率：首先应该调整学习率。学习率越小，训练速度越慢，但是精度更高。一般可以从0.1开始测试，然后逐步减小。如果训练速度太慢，可以尝试提高学习率。

最大深度：接下来应该调整最大深度。最大深度越大，模型越复杂，但很容易过拟合。一般可以从5开始测试，然后逐步增加，直到发现模型开始过拟合。

数量：接下来可以调整树的数量。树的数量越多，模型越复杂，但很容易过拟合。一般可以从100开始测试，然后逐步增加，直到发现模型开始过拟合。

特征子采样率：特征子采样率是指每个树节点随机选择的特征比例。如果特征子采样率太低，模型容易欠拟合；如果太高，模型容易过拟合。一般可以从0.5开始测试，然后逐步增加或减少。

行采样率：行采样率是指每棵树随机选择的样本比例。如果行采样率太低，模型容易过拟合；如果太高，模型容易欠拟合。一般可以从0.5开始测试，然后逐步增加或减少。

正则化参数：正则化参数是指L1和L2正则化的权重。正则化参数越大，模型越简单，但很容易欠拟合。一般可以从0开始测试，然后逐步增加。

子样本大小：子样本大小是指每个树节点使用的样本数量。如果子样本大小太小，模型容易过拟合；如果太大，模型容易欠拟合。一般可以从1000开始测试，然后逐步增加或减少。

其他超参数：其他超参数包括min_child_samples、min_child_weight等。这些超参数的影响相对较小，可以在前面的超参数调整完成后再进行微调。