在 lightgbm 中，为什么当数据集构造中已经存在 categorical_feature 参数时，train 和 cv API 还要接受它

Question

以下是lightgbm的.cv API

lightgbm.cv（参数，train_set，num_boost_round=100，folds=None，nfold=5，分层=True，shuffle=True，metrics=None，feval=None，init_model=None，feature_name='auto'，categorical_feature='自动'，fpreproc =无，种子= 0，回调=无，eval_train_metric = False，return_cvbooster = False）

有一个参数

cateogrical_feature

分类特征。如果是 int 列表，则解释为索引。如果是 str 列表，则解释为功能名称（还需要指定 feature_name）。

现在是 .train API

lightgbm.train(params,train_set,num_boost_round=100,valid_sets=None,valid_names=None,feval=None,init_model=None,feature_name='auto',categorical_feature='auto',keep_training_booster=False,callbacks=None)

这里还有一个

categorical_feature

参数。这方面的文档与上面相同

现在，您会注意到这两个 API 都使用 lightgbm 数据集，它本身需要一个

categorical_feature

参数。文档完全一样

问题：

1. 如果两者都指定，哪一个优先？
2. 建议在哪一个位置指定 categorical_feature？
3. 这两种选择在 lightgbm 管道的工作内部有什么不同吗？

Answer 1

lightgbm.cv()

包中的

lightgbm

中的这些竞争模式自 2017 年 9 月以来一直在库中（此提交）。在两个接口中添加指定功能主要是为了方便。它在功能上与将这些参数传递给

lightgbm.Dataset()

没有什么不同。

如果两者都指定，哪一个优先？

建议在哪一个位置指定 categorical_feature？

这两种选择在 lightgbm 管道的工作内部有什么不同吗？

始终更喜欢将其传递给

lightgbm.Dataset

，并忽略

lightgbm.cv()

/

lightgbm.train()

的参数。

传递给

categorical_feature

/

lightgbm.cv()

的

lightgbm.train()

参数仅在一个地方使用，即在

Dataset.set_categorical_feature()

/

lightgbm.cv()

函数内调用

lightgbm.train()

时。充其量，这将是无用的并且不会更新

Dataset

。

最坏的情况是，如果原始数据不再可用，可能会导致错误。

import lightgbm as lgb
from sklearn.datasets import make_regression

X, y = make_regression(n_samples=1_000, n_features=10)

dtrain = lgb.Dataset(
    X,
    label=y,
    categorical_feature=[1, 4],
    free_raw_data=True
)
dtrain.construct()

bst = lgb.train(
  params={"objective": "regression"},
  train_set=dtrain,
  categorical_feature=[1, 3]
)
# lightgbm.basic.LightGBMError: Cannot set categorical feature after freed raw data,
# set free_raw_data=False when construct Dataset to avoid this.

建议在哪一个位置指定 categorical_feature？