Python LightGBM 实战：从参数调优到生产部署

在处理百万级数据的金融风控项目中首次接触 LightGBM。当时 XGBoost 跑一次迭代要半小时，而切换到 LightGBM 后训练时间直接缩短到 5 分钟——这种性能优势使其成为首选。

作为微软开源的梯度提升框架，LightGBM 通过三大创新彻底改写了游戏规则：

直方图算法把连续特征离散化为 k 个桶，不仅节省了 70% 内存，还大幅加速了分裂点查找。在相同数据集上对比，当 XGBoost 还在计算精确分割点时，LightGBM 已经完成了十轮迭代。

单边梯度采样 (GOSS) 保留梯度大的样本重点学习，对梯度小的样本随机抽样。实测在广告点击预测任务中，用 GOSS 能在精度损失不到 1% 的情况下提速 2 倍。

互斥特征捆绑 (EFB) 把互斥的特征打包成一个超级特征。在某电商场景中，把 2000 维稀疏特征捆绑后降到了 500 维，模型大小直接缩小 60%。

安装命令如下：

pip install lightgbm

GPU 加速需额外配置：

pip install lightgbm --install-option=--gpu

LightGBM 参数分为四个优先级象限：

任务定义层（必须明确）

params = {
    'objective': 'binary',  # 二分类
    'metric': 'auc',  # 评估指标
    'boosting_type': 'dart'
}