我通过优化 RMSE 并测量 RMSE 的性能运行了一个 lightgbm 回归模型：

model = LGBMRegressor(objective="regression", n_estimators=500, n_jobs=8)
model.fit(X_train, y_train, eval_metric="rmse", eval_set=[(X_train, y_train), (X_test, y_test)], early_stopping_rounds=20)

该模型在 500 次迭代中不断改进。以下是我在 MAE 上获得的表演：

火车上的 MAE：1.080571 测试中的 MAE：1.258383

但是我真正感兴趣的指标是MAE，所以我决定直接对其进行优化（并选择它作为评估指标）：

model = LGBMRegressor(objective="regression_l1", n_estimators=500, n_jobs=8)
model.fit(X_train, y_train, eval_metric="mae", eval_set=[(X_train, y_train), (X_test, y_test)], early_stopping_rounds=20)

无论如何，MAE 在训练和测试中的表现都会下降：

火车上的 MAE：1.277689 测试中的 MAE：1.285950

当我查看模型的日志时，它似乎陷入了局部最小值，并且在大约 100 棵树之后没有改善......你认为这个问题与 MAE 的不可微性有关吗？

以下是学习曲线：

优化 RMSE 时的 MAE 演化

优化 MAE 时的 MAE 演化