【lgb去除警告，设置早停】[LightGBM] [Warning] No further splits with positive gain, best gain: -inf

新版lightGBM在训练时会显示以下警告信息：

[LightGBM] [Warning] No further splits with positive gain, best gain: -inf
中文解释：
表示LightGBM在尝试进一步划分决策树时，没有找到可以带来正增益的划分，也就是说，现有的划分已经是最优的。

这个警告信息是LightGBM的日志输出的一部分，对模型的训练没有实际影响。如果你想隐藏这些警告信息，可以调整LightGBM的日志级别（verbosity）。

在LightGBM中有一个参数叫做verbosity，你可以设置这个参数来控制日志信息的输出。verbosity参数的值可以是-1（静默）、0（致命）、1（警告）、2（信息）、3（调试）。默认值是1，这意味着会打印警告和错误信息。你可以设置为-1或0，以隐藏警告信息。

解决方法：
在参数里面加入verbosity= -1

import lightgbm as lgb

# 创建数据集
train_data = lgb.Dataset(X, label=y)

# 设置参数
params = {
    'boosting_type': 'gbdt',
    'objective': 'regression',
    'metric': 'rmse',
    'verbosity': -1,  # 设置verbosity为-1，以隐藏警告信息
}

# 训练模型
gbm = lgb.train(params, train_data)

另外，新版本的 LightGBM（版本’4.0.0’及更高版本）引入了 callbacks 功能，用于在训练过程中执行自定义操作，例如监控指标、提前停止训练等。通过使用 callbacks，您可以更灵活地控制 LightGBM 训练过程的行为。

def lgb_train(X_train, y_train, X_valid, y_valid):
    model_lgb = lgb.LGBMClassifier(
        max_depth=10,
        n_estimators=5000,
        min_child_weight=100,
        colsample_bytree=0.7,
        subsample=0.9,
        learning_rate=0.1,
        verbosity= -1)
    
    # 设置回调函数
    callbacks = [lgb.log_evaluation(period=1), lgb.early_stopping(stopping_rounds=10)]
    
    model_lgb.fit(
        X_train,
        y_train,
        eval_metric='auc',
        eval_set=[(X_train, y_train), (X_valid, y_valid)],
        callbacks=callbacks)
    
    print(model_lgb.best_score_['valid_1']['auc'])
    return model_lgb

回调函数说明：
callbacks = [lgb.log_evaluation(period=1), lgb.early_stopping(stopping_rounds=10)]
这段代码是用于LightGBM（Light Gradient Boosting Machine）模型训练的回调函数设置。回调函数是在模型训练过程中的不同阶段执行的特定操作，用于监控训练进度和控制训练行为。这里有两个回调函数：

1. lgb.log_evaluation(period=1)：

   • 这个回调函数的作用是在每一轮训练结束后记录评估指标的值，并且指定了记录的频率。
   • period=1 表示每一轮都会记录一次评估指标的值，这有助于实时地了解模型在训练中的性能。

2. lgb.early_stopping(stopping_rounds=10)：

   • 这个回调函数的作用是实现早停止（early stopping）策略，用于自动停止训练，以防止模型过拟合。
   • stopping_rounds=10 表示如果在连续的10轮训练中，模型的性能在验证集上没有明显的改善（例如，损失函数值没有下降），则训练会提前停止。

综合起来，这两个回调函数一起用于监控训练过程中的性能并防止过拟合。每一轮训练结束后，会记录评估指标的值，如果连续的10轮中性能没有提升，训练就会提前结束，以节省时间和资源，并避免过拟合问题。这是一个常见的训练策略，有助于得到更好的模型。

新版本变化：移除了fit方法中的
verbose=False和 early_stopping_rounds=10的参数设置，但可以通过verbosity= -1来屏蔽警告，另外可以在callbacks中设置早停止，以达到之前的效果。