LGBMRegressor() 参数详解 - 梯度提升回归模型

LGBMRegressor() 是一种基于梯度提升决策树 (Gradient Boosting Decision Tree) 算法的机器学习模型，用于回归问题。它的参数解释如下：

1. boosting_type: 提升类型，可以是 'gbdt' 或 'dart'，默认为 'gbdt'。
2. num_leaves: 叶子节点的数量，通常为 2 的幂次方，控制模型的复杂度，默认为 31。
3. max_depth: 决策树最大深度，控制模型的复杂度，默认为 -1，表示没有限制。
4. learning_rate: 学习率，控制每次迭代的步长，默认为 0.1。
5. n_estimators: 迭代次数，即决策树的数量，默认为 100。
6. subsample_for_bin: 构建直方图时的样本数量，默认为 200000。
7. objective: 优化目标，可以是 'regression' 或 'l2'，默认为 'regression'。
8. class_weight: 类别权重，用于解决样本不均衡问题，默认为 None。
9. min_split_gain: 节点分裂的最小收益，默认为 0。
10. min_child_weight: 叶子节点最小样本数，默认为 20。
11. min_child_samples: 叶子节点最小实例数，默认为 100。
12. subsample: 随机采样比例，控制每棵决策树的样本数量，默认为 1。
13. subsample_freq: 子采样频率，控制每次迭代时随机采样的频率，默认为 0。
14. colsample_bytree: 随机采样特征的比例，默认为 1。
15. reg_alpha: L1 正则化系数，默认为 0。
16. reg_lambda: L2 正则化系数，默认为 0。
17. random_state: 随机种子，用于重现实验结果，默认为 None。
18. n_jobs: 并行处理的数量，默认为 -1，表示使用所有的 CPU。
19. silent: 是否禁止输出日志信息，默认为 False。