LGBMModel 模型创建：
参数
----------
boosting_type : string, optional (default='gbdt')
'gbdt', 传统的梯度提升决策树。
'dart', Dropouts meet Multiple Additive Regression Trees.
'goss', 基于梯度的单边采样。
'rf', 随机森林.
num_leaves : int, optional (default=31)
一棵树的最大叶子数
max_depth : int, optional (default=-1)
基本学习的最大深度, <=0 表示不限制
learning_rate : float, optional (default=0.1)
学习率
可以使用在fit方法的callbacks参数中的reset_parameter回调函数来缩小和调整学习率。 如果使用了回调函数，那么将忽略learning_rate参数。
n_estimators : int, optional (default=100)
训练次数-也是树的个数
subsample_for_bin : int, optional (default=200000)
用于构造垃圾箱的样本数- 对输入特征分成多少份
objective : string, callable or None, optional (default=None)
指定目标函数，- 是回归 还是 分类 亦或是 排名
如果是字符串，则用内置的，
如果是callabel, 则目标函数是自定义的
如果是None. 对于回归模型LGBMRegressor， 那么就是'regression'。 对于分类模型LGBMClassifier，那么就是'binary' or 'multiclass' 。 对于排行模型LGBMRanker， 那么就是'lambdarank'
class_weight : dict, 'balanced' or None, optional (default=None)
指定类别的权重，通过这样的方式 ``{class_label: weight}``.
dict方式这个参数只对多分类任务有效。
对于二分类任务，可以使用 ``is_unbalance`` 或 ``scale_pos_weight`` 参数
注意, 所有这些参数的使用将导致对各个类别概率的估计不足。
您可能要考虑对你的模型执行概率校准，参考地址：https://scikit-learn.org/stable/modules/calibration.html
如果值为“balanced”。 模式将使用y的值自动调整权重。 与输入数据中类别频率成反比例。``n_samples / (n_classes * np.bincount(y))``.
如果值为None。 那么所有类别的权重是1
注意, 这些权重会与 ``sample_weight`` 相乘 (如果通过fit方法指定了sample_weight的话)
min_split_gain : float, optional (default=0.)
在树的叶节点上进行切分的最小增益
min_child_weight : float, optional (default=1e-3)
叶节点样本权重之和的最小值
min_child_samples : int, optional (default=20)
一个叶子节点上包含的最少样本数量
subsample : float, optional (default=1.)
训练实例的子样本比率。
subsample_freq : int, optional (default=0)
子样本的频率, <=0 表示禁用
colsample_bytree : float, optional (default=1.)
构造每棵树时，列的子采样率
reg_alpha : float, optional (default=0.)
L1 正则化权重
reg_lambda : float, optional (default=0.)
L2 正则化权重
random_state : int or None, optional (default=None)
随机种子
如果None，默认使用在c++代码的种子
n_jobs : int, optional (default=-1)
并行线程数
silent : bool, optional (default=True)
运行增强时是否打印消息。
importance_type : string, optional (default='split')
特征重要性类型
如果为“ split”，则结果包含该特征在模型中使用的次数。
如果为“ gain”，则结果包含使用该功能的分割的总增益。
**kwargs
模型的其他参数
更多参数查看地址： http://lightgbm.readthedocs.io/en/latest/Parameters.html
警告：sklearn 不支持**kwargs. 因为可能引发异常。 ==================================================================
训练fit
参数
----------
X : 数组类型矩阵 形状 = [n_samples, n_features]
输入特征矩阵
y : 数组类型 形状 = [n_samples]
目标值 (分类模型中是类标签, 回归模型是真实值).
sample_weight : 数组类型 形状 = [n_samples] optional (default=None)
训练数据的权重
init_score : 数组类型 形状 = [n_samples] optional (default=None)
训练数据的初始分数
group : 数组类型 或者 None, optional (default=None)
训练数据的组数据
eval_set : list or None, optional (default=None)
使用(X,y) 元组作为验证集
eval_names : list of strings or None, optional (default=None)
验证集的名称
eval_sample_weight : list of arrays or None, optional (default=None)
验证集的权重（回归模型）
eval_class_weight : list or None, optional (default=None)
验证集标签的权重 （分类模型）
eval_init_score : list of arrays or None, optional (default=None)
验证集初始分数
eval_group : list of arrays or None, optional (default=None)
验证集组数据
eval_metric : string, list of strings, callable or None, optional (default=None)
如果为字符串，则应使用内置评估指标。
如何为 可执行对象, 则是自定义评估指标
其他情况, 字符串和可执行对象的列表
默认情况: LGBMRegressor使用L2, LGBMClassifier使用logloss, LGBMRanker使用ndcg
early_stopping_rounds : int or None, optional (default=None)
如果验证的分数不再下降，达到 early_stopping_rounds 次了，依旧没有下降，那么终止训练
至少需要一个验证数据和一个指标。
如果有多个指标（eval_metric是list,且长度大于1）， 那么将检查所有。
如果只想检查第一个指标，那么需要设置first_metric_only = True
verbose : bool or int, optional (default=True)
至少需要一个验证数据
如果为True, 评估集上的评估指标会在每个提升阶段打印出来。
如果为 int, 每隔多少次打印
如果训练提前停止了，也会打印。 这个提前停止是通过early_stopping_rounds设置的
feature_name : list of strings or 'auto', optional (default='auto')
特征名称。 字符串列表 或者 auto
如果为 'auto' 且 数据是 pandas DataFrame, 那么则使用数据列名
categorical_feature : list of strings or int, or 'auto', optional (default='auto')
分类特征
如果是整数列表，则使用索引
如果是字符串列表， 则像指定 feature_name 一样
如果为 'auto' 且 数据是 pandas DataFrame, 则使用无序分类列
所有的类别特征值应该小于 2147483647
较大的值会占用内存。 考虑使用从零开始的连续整数。
分类特征中的所有负值都将被视为缺失值
不能相对于分类特征单调约束输出
callbacks : list of callback functions or None, optional (default=None)
回调函数列表。 每次迭代都会调用
返回值： 模型self
============================================================
预测predict
参数
----------
X : 数组类型矩阵 形状 = [n_samples, n_features]
输入特征矩阵
raw_score : bool, optional (default=False)
是否预测原始分数
num_iteration : int or None, optional (default=None)
限制预测中的迭代次数。
如果为 None, 如果存在最好的迭代次数，则使用最好的迭代次数; 其他情况, 所有的树被使用
如果 <= 0, 所有的树被使用 (不限制).
pred_leaf : bool, optional (default=False)
是否预测叶指数
pred_contrib : bool, optional (default=False)
是否预测特征贡献。
提示::
如果您想使用SHAP值获得有关模型预测的更多解释，
像SHAP互动值一样，
您可以安装shap软件包（https://github.com/slundberg/shap）。
请注意，与shap包不同，使用pred_contrib，我们将返回带有额外内容的矩阵。
列，最后一列是期望值。
**kwargs
Other parameters for the prediction.
返回值
-------
predicted_result : 数组类型 形状 = [n_samples] 或者 形状 = [n_samples, n_classes]
预测值
X_leaves : 数组类型 形状 = [n_samples, n_trees] 或 形状 = [n_samples, n_trees * n_classes]
如果 ``pred_leaf=True``, 预测每个样本的每棵树的叶子。
X_SHAP_values : 数组类型 形状 = [n_samples, n_features + 1] 或 形状 = [n_samples, (n_features + 1) * n_classes]
如果 ``pred_contrib=True``, 每个样本的特征贡献。
