> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wandb.ai/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
;
La bibliothèque `wandb` inclut un callback spécial pour [LightGBM](https://lightgbm.readthedocs.io/en/latest/). Il est également facile d’utiliser les fonctionnalités de journalisation génériques de W\&B pour suivre des expériences à grande échelle, comme les Sweeps d’hyperparamètres.
```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)
```
Vous cherchez 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 tirer le maximum de performances des modèles, vous devez ajuster les hyperparamètres, comme la profondeur des arbres et le taux d’apprentissage. W\&B [Sweeps](/fr/models/sweeps/) est une boîte à outils puissante pour configurer, orchestrer et analyser de vastes expériences d’hyperparamétrage.
Pour en savoir plus sur ces outils et voir un exemple d’utilisation de Sweeps avec XGBoost, consultez ce notebook Colab interactif.
