1. config 或者 config_file： 一个字符串，给出了配置文件的路径。默认为空字符串。
2. task： 一个字符串，给出了要执行的任务。可以为：
   • 'train' 或者 'training'：表示是训练任务。默认为'train'。
   • 'predict' 或者 'prediction'或者'test'：表示是预测任务。
   • 'convert_model'： 表示是模型转换任务。将模型文件转换成if-else 格式。

3.application 或者objective 或者 app ： 一个字符串，表示问题类型。可以为：

• 'regression' 或者 'regression_l2' 或者'mean_squared_error' 或者'mse'或者'l2_root' 或者'root_mean_squred_error' 或者'rmse'： 表示回归任务，但是使用L2 损失函数。默认为'regression'
• 'regression_l1' 或者 mae或者mean_absolute_error： 表示回归任务，但是使用L1 损失函数。
• 'huber'： 表示回归任务，但是使用huber 损失函数。
• 'fair'： 表示回归任务，但是使用fair 损失函数。
• 'poisson'： 表示Poisson 回归任务。
• 'quantile'： 表示quantile回归任务。
• 'quantile_l2'：表示quantile回归任务，但是使用了L2 损失函数。
• 'mape' 或者 'mean_absolute_precentage_error'： 表示回归任务，但是使用MAPE 损失函数
• 'gamma'： 表示gamma 回归任务。
• 'tweedie'： 表示tweedie 回归任务。
• 'binary'： 表示二分类任务，使用对数损失函数作为目标函数。
• 'multiclass'： 表示多分类任务，使用softmax 函数作为目标函数。必须设置num_class 参数
• 'multiclassova' 或者'multiclass_ova' 或者'ova' 或者'ovr'： 表示多分类任务，使用one-vs-all 的二分类目标函数。必须设置num_class 参数
• 'xentropy' 或者 'cross_entropy'： 目标函数为交叉熵（同时具有可选择的线性权重）。要求标签是[0,1] 之间的数值。
• 'xentlambda' 或者 'cross_entropy_lambda'： 替代了参数化的cross_entropy 。要求标签是[0,1] 之间的数值。
• 'lambdarank'：表示排序任务。 在lambdarank 任务中，标签应该为整数类型，数值越大表示相关性越高。label_gain 参数可以用于设置整数标签的增益（权重）

4.boosting 或者 'boost' 或者 'boosting_type'： 一个字符串，给出了基学习器模型算法。可以为：

• 'gbdt'： 表示传统的梯度提升决策树。默认值为'gbdt'
• 'rf'： 表示随机森林。
• 'dart'： 表示带dropout 的gbdt
• goss：表示Gradient-based One-Side Sampling 的gbdt

5.data或者train 或者train_data：一个字符串，给出了训练数据所在的文件的文件名。默认为空字符串。 lightgbm将使用它来训练模型。

6. valid 或者test或者valid_data 或者test_data： 一个字符串，表示验证集所在的文件的文件名。默认为空字符串。 lightgbm 将输出该数据集的度量。 如果有多个验证集，则用逗号, 分隔。

7. num_iterations 或者num_iteration或者num_tree或者 num_trees或者 num_round或者num_rounds或者 num_boost_round： 一个整数，给出了boosting 的迭代次数。默认为 100。

• 对于python/R包，该参数是被忽略的。对于python，使用train()/cv()的输入参数num_boost_round 来代替。
• 在内部，lightgbm对于multiclass 问题设置了num_class*num_iterations 棵树。

8.learning_rate 或者shrinkage_rate： 一个浮点数，给出了学习率。默认为 0.1 在dart 中，它还会影响dropped trees 的归一化权重。

9.num_leaves或者num_leaf： 一个整数，给出了一棵树上的叶子数。默认为 31

10.tree_learner 或者 tree：一个字符串，给出了tree learner，主要用于并行学习。 默认为'serial'。 可以为：

• 'serial'： 单台机器的tree learner
• 'feature'： 特征并行的tree learner
• 'data'： 数据并行的tree learner
• 'voting'： 投票并行的tree learner

11.num_threads 或者 num_thread 或者nthread：一个整数， 给出了lightgbm 的线程数。默认为OpenMP_default。

• 为了更快的速度，应该将它设置为真正的CPU 内核数，而不是线程的数量（大多数CPU 使用超线程来使每个CPU内核生成2个线程）。
• 当数据集较小的时候，不要将它设置的过大
• 对于并行学习，不应该使用全部的CPU核心，因为这会使得网络性能不佳

12.device： 一个字符串，指定计算设备。默认为'cpu'。 可以为'gpu','cpu'。

• 建议使用较小的max_bin 来获得更快的计算速度
• 为了加快学习速度，GPU 默认使用32位浮点数来求和。你可以设置gpu_use_dp=True 来启动64位浮点数，但是它会使得训练速度降低。