python - 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，但它没有。
我以为lgb.LightGBMRegressor()和 lgb.train(train_data, test_data)将返回相同的精度，但它没有。所以我想知道为什么？
数据打断函数

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界面。 .fit(X, y) call 是用于模型训练的标准 sklearn 语法。它是一个类对象，供您用作 sklearn 生态系统的一部分(用于运行管道、参数调整等)。
lightgbm.train是 lightgbm 本身的核心训练 API。

XGBoost 和许多其他流行的 ML 训练库有类似的区别(核心 API 使用 xgb.train(...)，例如 sklearn API 使用 XGBClassifier 或 XGBRegressor)。