予測の精度　（正確さ）
  ・MNITの例   　print("accuracy score: {}".format(accuracy_score(t_test, y_pred)))   　print("elapsed time: {}".format(time.time() - start)
推論
 　y_pred = lgb_bst.predict(X_validation, num_iteration=lgb_bst.best_iteration)  　y_pred = y_pred.round(0)
モデル保存
 　lgb_bst.save_model('model.txt', num_iteration=lgb_bst.best_iteration)
Training
  ・訓練実行
関数の返り値として訓練されたモデルが帰ってくる。（Boosterクラス）  　gbm = lgb.train(  　 lgbm_params,  　 lgb_train_data,  　 valid_sets=lgb_eval_data,  　 categorical_feature=[1,2,3,4,5,7],  　 num_boost_round=100,  　 early_stopping_rounds=20,  　 verbose_eval=1,  　)
パラメータ セット
  ・パラメータ   　lgbm_params = {   　 'task' : 'train',   　 'boosting_type' : 'gbdt',   　 'objective' : 'lambdarank',   　 'metric' : 'ndcg', # lambdarank用   　 'ndcg_eval_at' : [1,2,3], # lambdarank用   　 'force_col_wise' : 'true',   　 'learning_rate' : 1e-8, # 極めて小さい値   　 'min_data' : 1,   　 'min_data_in_bin' : 1,   　}   ・参考

データセット
  ・Datasetオブジェクト
特徴量とそれに対する正解ラベルをセットで保持   　lgb_train_data = lgb.Dataset(   　 all_rank_train,   　 all_target_train,   　 categorical_feature=[1,2,3,4,5,7],   　 group=all_query_train   　)   　lgb_eval_data = lgb.Dataset(   　 all_rank_test,   　 all_target_test,   　 categorical_feature=[1,2,3,4,5,7],   　 group=all_query_test   　)
 Training API（使用法）
  ・modelオブジェクトを作成し train() メソッドを使用
Scikit-learn APIでは fit() メソッドを使用
  ① Datasetオブジェクトを作成　（ lgb.Dataset() ）
  ② ハイパーパラメータを辞書として用意　（ params = {} ）
使用する評価指標は params引数中に、metricsとして指定
  ③ lgb.train() にDatasetオブジェクトとハイパーパラメータ辞書を渡す。

  Scikit-Learn API （2つのAPI）
  ・LightGBMには Training APIと Scikit-Learn API という2種類の実装方式が存在
Scikit-learn APIでは fit() メソッドを使用
  ・使用するデータセットの型
numpy配列(ndarray)をそのまま渡せる。
  ・学習用メソッド名
fit()メソッド
  ・使用する評価指標
学習時のfit()メソッドの eval_metric引数に渡す。