前提・実現したいこと

python初心者です。
pythonでLightBGMの最適化をoptunaを用いて行いたいと考えています。
書籍に乗っているプログラムを参考にしながら、編集して動かしてみたのですが、下記エラーが出てしまいます。

データの形が違っている可能性があるという事だと思っているのですが、この形でLightBGMは動作しているのを確認しているため、何が間違っているのか理解できません。

程度が低い質問で申し訳ありませんが、ご教示いただけたら幸いです。

発生している問題・エラーメッセージ

[W 2020-06-21 10:31:02,099] Setting status of trial#0 as TrialState.FAIL because of the following error: ValueError('Unknown label type: (sample_19 0.043\nsample_2 0.122\nsample_20 0.490\nsample_9 0.219\nsample_11 0.066\nsample_18 0.079\nName: property_a, dtype: float64,)')
Traceback (most recent call last):
File "C:\Users\owner\Anaconda3\lib\site-packages\optuna\study.py", line 734, in run_trial
result = func(trial)
File "C:\Users\owner\desktop\python_data_analysis_ohmsha-master\LightGBM_optuna.py", line 60, in objectives
score = log_loss(y_test, y_pred_valid)
File "C:\Users\owner\Anaconda3\lib\site-packages\sklearn\metrics\classification.py", line 1771, in log_loss
lb.fit(y_true)
File "C:\Users\owner\Anaconda3\lib\site-packages\sklearn\preprocessing\label.py", line 413, in fit
self.classes = unique_labels(y)
File "C:\Users\owner\Anaconda3\lib\site-packages\sklearn\utils\multiclass.py", line 96, in unique_labels
raise ValueError("Unknown label type: %s" % repr(ys))
ValueError: Unknown label type: (sample_19 0.043
sample_2 0.122
sample_20 0.490
sample_9 0.219
sample_11 0.066
sample_18 0.079
Name: property_a, dtype: float64,)

該当のソースコード

python
ソースコード

-- coding: utf-8 --

import numpy as np
import pandas as pd
import sample_functions
import lightgbm as lgb
from sklearn.model_selection import train_test_split
import optuna
from sklearn.metrics import log_loss

def objectives(trial):
y_number = 0 # 0 or 1
number_of_test_samples = 6 # テストデータのサンプル数
method_name = 'pls' # 'pls' or 'svr'
add_nonlinear_terms_flag = True # True (二乗項・交差項を追加) or False (追加しない)

dataset = pd.read_csv('virtual_resin.csv', index_col=0)
y = dataset.iloc[:, y_number]  # 目的変数
x = dataset.iloc[:, 2:]  # 説明変数


x_train_tmp, x_test_tmp, y_train, y_test = train_test_split(x, y, test_size=number_of_test_samples, random_state=0)

x_train_tmp = sample_functions.add_nonlinear_terms(x_train_tmp)  # 説明変数の二乗項や交差項を追加
x_test_tmp = sample_functions.add_nonlinear_terms(x_test_tmp)
x_train = x_train_tmp.drop(x_train_tmp.columns[x_train_tmp.std() == 0], axis=1)  # 標準偏差が 0 の説明変数を削除
x_test = x_test_tmp.drop(x_train_tmp.columns[x_train_tmp.std() == 0], axis=1)


# オートスケーリング
autoscaled_x_train = (x_train - x_train.mean()) / x_train.std()
autoscaled_y_train = (y_train - y_train.mean()) / y_train.std()
autoscaled_x_test = (x_test - x_train.mean()) / x_train.std()
autoscaled_y_test = (y_test - y_train.mean()) / y_train.std()



params = {
    'objective': 'regression',
    'learning_rate': 0.05,
    'max_depth': trial.suggest_int('max_bin', 1, 50), # 木の数 (負の値で無制限)
    'num_leaves': trial.suggest_int('num_leaves', 2, 20),
}


lgb_train = lgb.Dataset(autoscaled_x_train, autoscaled_y_train)
lgb_eval = lgb.Dataset(autoscaled_x_test, autoscaled_y_test, reference=lgb_train)

model = lgb.train(params, lgb_train,
                               valid_sets=[lgb_train, lgb_eval],
                               verbose_eval=10,
                               num_boost_round=1000,
                               early_stopping_rounds=10)

y_pred_valid = model.predict(autoscaled_x_test, num_iteration=model.best_iteration)* y_train.std() + y_train.mean()
score = log_loss(y_test, y_pred_valid)
return score

study = optuna.create_study(sampler=optuna.samplers.RandomSampler(seed=0))
study.optimize(objectives, n_trials=40)
study.best_params

試したこと

LightBGMの動作確認

補足情報（FW/ツールのバージョンなど）

sample_functions.add_nonlinear_termsは# 説明変数の二乗項や交差項を追加する関数です。
データは以下になります。

property_a	property_b	raw_material_1	raw_material_2	raw_material_3	temperature	time

sample_1 0.125 0.707 0.5 0.1 0.4 85 80
sample_2 0.122 0.464 0.7 0 0.3 55 50
sample_3 0.624 0.683 0 0.2 0.8 70 40
sample_4 0.042 0.262 0.9 0.1 0 60 90
sample_5 0.589 0.554 0.2 0 0.8 75 120
sample_6 0.051 0.54 0.7 0.1 0.2 90 60
sample_7 0.771 0.459 0.1 0 0.9 80 10
sample_8 0.775 0.514 0.1 0 0.9 90 90
sample_9 0.219 0.741 0.4 0.1 0.5 100 110
sample_10 0.12 0.762 0.5 0.2 0.3 60 40
sample_11 0.066 0.388 0.8 0.1 0.1 50 10
sample_12 0.037 0.413 0.8 0.1 0.1 65 40
sample_13 0.1 0.788 0.5 0.2 0.3 60 80
sample_14 0.161 0.783 0.5 0.4 0.1 90 40
sample_15 0.773 0.519 0 0.1 0.9 50 10
sample_16 0.087 0.788 0.5 0.3 0.2 55 50
sample_17 0.511 0.786 0 0.3 0.7 80 20
sample_18 0.079 0.031 1 0 0 70 60
sample_19 0.043 0.426 0.8 0.1 0.1 100 100
sample_20 0.49 0.59 0.3 0 0.7 60 10