正如@Peter 所建议的那样，设置会verbose_eval = -1抑制大部分LightGBM输出（链接：此处）。

但是，LightGBM可能仍会返回其他警告 - 例如No further splits with positive gain. 这可以按如下方式抑制（来源：here）：

lgb_train = lgb.Dataset(X_train, y_train, params={'verbose': -1}, free_raw_data=False)
lgb_eval = lgb.Dataset(X_test, y_test, params={'verbose': -1},free_raw_data=False)
gbm = lgb.train({'verbose': -1}, lgb_train, valid_sets=lgb_eval, verbose_eval=False)

要抑制 LightGBM 的（大部分）输出，可以设置以下参数。

抑制警告： 'verbose': -1必须在params={}.

抑制训练迭代的输出： verbose_eval=False必须在train{}参数中指定。

最小的例子：

params = {
            'objective': 'regression',
            'learning_rate' : 0.9, 
            'max_depth' : 1, 
            'metric': 'mean_squared_error',
            'seed': 7,
            'verbose': -1,
            'boosting_type' : 'gbdt'
        }

gbm = lgb.train(params,
                lgb_train,
                num_boost_round=100000,
                valid_sets=lgb_eval,
                verbose_eval=False,
                early_stopping_rounds=100)

遵循这些要点。

1. verbose= False在fit方法中使用。
2. verbose= -100调用分类器时使用。
3. 保留silent = True（默认）。

sklearn API 的解决方案（在 v3.3.0 上检查）：

import lightgbm as lgb


param = {'objective': 'binary', "is_unbalance": 'true',
         'metric': 'average_precision'}
model_skl = lgb.sklearn.LGBMClassifier(**param)

# early stopping and verbosity
# it should be 0 or False, not -1/-100/etc
callbacks = [lgb.early_stopping(10, verbose=0), lgb.log_evaluation(period=0)]

# train
model_skl.fit(x_train, y_train,
              eval_set=[(x_train, y_train), (x_val, y_val)],
              eval_names=['train', 'valid'],
              eval_metric='average_precision',
              callbacks=callbacks)