贝叶斯优化(Bayesian Optimization)是一种用于优化模型超参数的方法，可以用于Light GBM模型。下面是一个使用贝叶斯优化调整Light GBM模型超参数的示例代码。

首先，确保已经安装了必要的库，包括lightgbm、scikit-learn和bayesian-optimization。可以使用以下命令安装这些库：

pip install lightgbm scikit-learn bayesian-optimization

接下来，可以使用以下代码示例来使用贝叶斯优化调整Light GBM模型的超参数：

import lightgbm as lgb
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from bayes_opt import BayesianOptimization

# 加载数据集
data = load_breast_cancer()
X = data.data
y = data.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义Light GBM模型的目标函数
def lgb_eval(num_leaves, feature_fraction, bagging_fraction, max_depth, lambda_l1, lambda_l2, min_split_gain, min_child_weight):
    params = {
        'objective': 'binary',
        'metric': 'binary_logloss',
        'num_leaves': int(num_leaves),
        'feature_fraction': max(min(feature_fraction, 1), 0),
        'bagging_fraction': max(min(bagging_fraction, 1), 0),
        'max_depth': int(max_depth),
        'lambda_l1': max(lambda_l1, 0),
        'lambda_l2': max(lambda_l2, 0),
        'min_split_gain': min_split_gain,
        'min_child_weight': min_child_weight
    }

    lgb_train = lgb.Dataset(X_train, y_train)

    cv_result = lgb.cv(params, lgb_train, num_boost_round=100, nfold=5, seed=42, stratified=True)

    return -cv_result['binary_logloss-mean'][-1]

# 定义参数搜索空间
pbounds = {
    'num_leaves': (5, 50),
    'feature_fraction': (0.1, 0.9),
    'bagging_fraction': (0.8, 1),
    'max_depth': (3, 10),
    'lambda_l1': (0, 5),
    'lambda_l2': (0, 3),
    'min_split_gain': (0.001, 0.1),
    'min_child_weight': (5, 50)
}

# 运行贝叶斯优化
optimizer = BayesianOptimization(f=lgb_eval, pbounds=pbounds, random_state=42)
optimizer.maximize(init_points=5, n_iter=25)

# 输出最优参数
print(optimizer.max)

在这个示例中，我们加载了乳腺癌数据集，并将其划分为训练集和测试集。然后，定义了一个目标函数lgb_eval，其中包含了Light GBM模型的参数和评估逻辑。接下来，我们定义了参数搜索空间pbounds，即每个超参数的取值范围。最后，我们使用BayesianOptimization类来运行贝叶斯优化，并使用maximize方法找到最优参数。

运行以上代码后，将输出找到的最优参数及其对应的评估指标值。根据数据集和问题的不同，最优参数可能会有所不同。