带有LGBMRegressor的GridSearchCV无法找到最佳参数

如何解决带有LGBMRegressor的GridSearchCV无法找到最佳参数

我有2个回归变量：

import lightgbm as lgb
from sklearn.model_selection import GridSearchCV

params = {
    'num_leaves': [7,14,21,28,31,50],'learning_rate': [0.1,0.03,0.003],'max_depth': [-1,3,5],'n_estimators': [50,100,200,500],}

grid = GridSearchCV(lgb.LGBMRegressor(random_state=0),params,scoring='r2',cv=5)
grid.fit(X_train,y_train)

reg = lgb.LGBMRegressor(random_state=0)

如您所见，我为两个回归变量都定义了random_state。 GridSearchCV必须找到最佳参数，以使估算器增加其scroring。但是

r2_score(y_train,grid.predict(X_train)) # output is 0.69
r2_score(y_train,reg.predict(X_train))  # output is 0.84

那么，如何找到LGBMRegressor的最佳参数？

解决方法

根据grid.fit()之后的documentaion，您可以在此处找到最佳估算器（就绪模型）和参数：

grid.best_estimator_
grid.best_params_

仅供参考：random_state仅适用于随机情况（例如，在改组时）。
在您的情况下，模型的参数不同，度量标准R2的结果也不同。

,

所以，我相信你必须像这样编写脚本：

params = {
    'num_leaves': [7,14,21,28,31,50],'learning_rate': [0.1,0.03,0.003],'max_depth': [-1,3,5],'n_estimators': [50,100,200,500],}

grid = GridSearchCV(lgb.LGBMRegressor(random_state=0),params,scoring='r2',cv=5)
grid.fit(X_train,y_train)

reg = lgb.LGBMRegressor(random_state=0)
reg.fit(X_train,y_train)

lgbm_tuned = grid.best_estimator_

r2_tuned = grid.best_params_
r2_regular = r2_score(y_train,reg.predict(X_train))

当 r2_tuned 是使用网格搜索找到的最佳分数时，lgbm_tuned 是您使用最佳参数定义的模型，而 r2_regular 是您使用默认参数的分数。

gridsearch 之后发现一个最差的结果很奇怪，特别是当 gridsearch 的参数包含 LightGBM 的默认参数时。