予測の精度
 推論
 モデル保存
 Training
 パラメータ
 データセット 
 TrainingAPI
 2つのAPI

 機能・要件 
 タスク 
 導入 
 Sample 
  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,  　)
 ハイパーパラメータ
 ・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。