> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-2751.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
> Intégrez W&B à LightGBM pour journaliser automatiquement les métriques du boosting par gradient, l’importance des variables et la performance du modèle.
# LightGBM
export const ColabLink = ({url}) =>
Essayer sur Colab
;
Le SDK Python de W\&B (`wandb`) inclut un callback spécial pour [LightGBM](https://lightgbm.readthedocs.io/en/latest/) qui journalise automatiquement les métriques d’entraînement, l’importance des variables et les points de contrôle du modèle dans W\&B. Vous pouvez également utiliser les fonctionnalités de journalisation génériques de W\&B pour suivre des expériences à grande échelle, telles que les Sweeps d’hyperparamètres.
Utilisez cette intégration pour surveiller les performances des modèles de boosting par gradient, comparer les runs et analyser la contribution des variables sans écrire de code de journalisation personnalisé.
```python theme={null}
from wandb.integration.lightgbm import wandb_callback, log_summary
import lightgbm as lgb
# Consigner des métriques dans W&B
gbm = lgb.train(..., callbacks=[wandb_callback()])
# Consigner le graphique d'importance des variables et téléverser le point de contrôle du modèle dans W&B
log_summary(gbm, save_model_checkpoint=True)
```
Pour des exemples de code prêts à l’emploi, consultez [notre dépôt d’exemples sur GitHub](https://github.com/wandb/examples/tree/master/examples/boosting-algorithms).
## Ajustez vos hyperparamètres avec Sweeps
Pour obtenir les meilleures performances des modèles, ajustez les hyperparamètres, comme la profondeur des arbres et le taux d’apprentissage. W\&B [Sweeps](/fr/models/sweeps/) est une boîte à outils qui configure, orchestre et analyse de vastes expériences de test d’hyperparamètres.
Pour en savoir plus sur ces outils et voir un exemple d’utilisation de Sweeps avec XGBoost, ouvrez le notebook Colab interactif suivant.
