我在使用lightgbm和sklearn的stacking方法时，遇到了一个问题，即：
如何在LGBMRegressor.fit函数中设置一些参数？
这是我目前的代码：
from sklearn.datasets import load_diabetesfrom sklearn.linear_model import RidgeCVfrom sklearn.svm import LinearSVRfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.ensemble import StackingRegressorfrom lightgbm import LGBMRegressorX, y = load_diabetes(return_X_y=True)estimators = [ ('lr', RidgeCV()), ('svr', LinearSVR(random_state=42)), ('lgb', LGBMRegressor())]reg = StackingRegressor( estimators=estimators, final_estimator=RandomForestRegressor(n_estimators=10, random_state=42))reg.fit(X,Y)但我想在LGBMRegressor.fit中设置num_boost_round和early_stopping_rounds，当我使用StackingRegressor.fit时，如何实现这一点？
※注意：如果不使用stacking方法，我可以这样实现：
lgb = LGBMRegressor()lgb.fit(X,Y, num_boost_round=20000, early_stopping_rounds=1000)回答：
我认为问题不在于你无法在fit中指定num_boost_round和early_stopping_round。根据文档，这些参数不被官方支持，但如果你使用它们，你会在实例化调用中设置它们。
lgb = LGBMRegressor(num_boost_round=20000, early_stopping_rounds=1000)我认为问题是，如果你想使用early_stopping，你必须在fit()调用中放入评估集，这肯定是不支持的（至少在当前版本中）。
你仍然可以得到你想要的结果，你只需要将你的模型包装在一个支持API的类中，本质上是将这些参数移到对象实例化中：
import lightgbm as ltbclass MyWrappedLGBR: def __init__(self, fit_parameters: dict): self.fit_parameters = fit_parameters def fit(self, X, y): my_data_set = ltb.Dataset(data = X, label=y) ltb.train(params=self.fit_parameters, train_set=my_data_set) def predict(self, X): return self.model.predict(X)然后创建你的估计器如下：
my_params = { 'num_boost_round': 20000, 'early_stopping_rounds': 1000, 'valid_sets': your_validation_set}my_lgb = MyWrappedLGBR(my_params)这样，当StackingRegressor调用fit和predict时，它会按照你的期望运行。
如果你真的想坚持使用sklearn API，并且愿意冒可能出现意外行为的风险，你也可以创建一个更符合该API的包装类：
class MySKLWrappedLGBR: def __init__(self, my_model, fit_parameters: dict): self.model = my_model self.fit_parameters = fit_parameters def fit(self, X, y): self.model.fit(X, y, **self.fit_parameters) def predict(self, X): return self.model.predict(X)然后像这样可能会工作：
lgb = LGBMRegressor(num_boost_round=20000, early_stopping_rounds=1000)my_eval_params = { 'valid_sets': your_validation_set}my_wrapped_lgb = MySKLWrappedLGBR(lgb, my_eval_params)但再次强调，这些功能在Sklearn API中都没有得到官方支持，因此最好使用前面提到的使用Dataset API的包装类。
