<img src=https://github.com/microsoft/LightGBM/blob/master/docs/logo/LightGBM_logo_black_text.svg width=300 />

轻量级梯度提升机

LightGBM是一个使用基于树的学习算法的梯度提升框架。它的设计注重分布式和高效，具有以下优势：

• 更快的训练速度和更高的效率。
• 更低的内存使用。
• 更好的准确性。
• 支持并行、分布式和GPU学习。
• 能够处理大规模数据。

更多详细信息，请参阅特性。

得益于这些优势，LightGBM在许多机器学习竞赛的获胜方案中被广泛使用。

在公共数据集上的对比实验表明，LightGBM在效率和准确性方面都可以优于现有的提升框架，同时显著降低内存消耗。此外，分布式学习实验显示，在特定设置下，LightGBM可以通过使用多台机器进行训练来实现线性加速。

入门和文档

我们的主要文档位于https://lightgbm.readthedocs.io/，并从此存储库生成。如果你是LightGBM的新用户，请按照该网站上的[安装说明](https://lightgbm.readthedocs.io/en/latest/Installation-Guide.html)进行操作。

接下来你可能想阅读：

• 示例展示了常见任务的命令行用法。
• LightGBM支持的特性和算法。
• 参数是你可以进行的全面定制列表。
• 分布式学习和GPU学习可以加速计算。
• FLAML为LightGBM提供自动调优（代码示例）。
• Optuna超参数调优器为LightGBM超参数提供自动调优（代码示例）。
• 理解LightGBM参数（以及如何使用Neptune进行调优）。

贡献者文档：

• 我们如何更新readthedocs.io。
• 查看开发指南。

新闻

请参阅GitHub releases页面的更新日志。

外部（非官方）仓库

这里列出的项目提供了使用LightGBM的替代方法。 它们不由LightGBM开发团队维护或正式认可。

LightGBMLSS（LightGBM的扩展，用于概率建模，可从中得出预测区间和分位数）：https://github.com/StatMixedML/LightGBMLSS

FLAML（用于超参数优化的AutoML库）：https://github.com/microsoft/FLAML

Optuna（超参数优化框架）：https://github.com/optuna/optuna

Julia包：https://github.com/IQVIA-ML/LightGBM.jl

JPMML（Java PMML转换器）：https://github.com/jpmml/jpmml-lightgbm

Nyoka（Python PMML转换器）：https://github.com/SoftwareAG/nyoka

Treelite（用于高效部署的模型编译器）：https://github.com/dmlc/treelite

lleaves（基于LLVM的模型编译器，用于高效推理）：https://github.com/siboehm/lleaves

Hummingbird（将模型编译为张量计算）：https://github.com/microsoft/hummingbird

cuML森林推理库（GPU加速推理）：https://github.com/rapidsai/cuml

daal4py（Intel CPU加速推理）：https://github.com/intel/scikit-learn-intelex/tree/master/daal4py

m2cgen（各种语言的模型应用器）：https://github.com/BayesWitnesses/m2cgen

leaves（Go语言模型应用器）：https://github.com/dmitryikh/leaves

ONNXMLTools（ONNX转换器）：https://github.com/onnx/onnxmltools

SHAP（模型输出解释器）：https://github.com/slundberg/shap

Shapash（模型可视化和解释）：https://github.com/MAIF/shapash dtreeviz（决策树可视化和模型解释）：https://github.com/parrt/dtreeviz

SynapseML（Spark 上的 LightGBM）：https://github.com/microsoft/SynapseML

Kubeflow Fairing（Kubernetes 上的 LightGBM）：https://github.com/kubeflow/fairing

Kubeflow Operator（Kubernetes 上的 LightGBM）：https://github.com/kubeflow/xgboost-operator

lightgbm_ray（Ray 上的 LightGBM）：https://github.com/ray-project/lightgbm_ray

Mars（Mars 上的 LightGBM）：https://github.com/mars-project/mars

ML.NET（.NET/C# 包）：https://github.com/dotnet/machinelearning

LightGBM.NET（.NET/C# 包）：https://github.com/rca22/LightGBM.Net

Ruby gem：https://github.com/ankane/lightgbm-ruby

LightGBM4j（Java 高级绑定）：https://github.com/metarank/lightgbm4j

lightgbm3（Rust 绑定）：https://github.com/Mottl/lightgbm3-rs

MLflow（实验跟踪、模型监控框架）：https://github.com/mlflow/mlflow

{bonsai}（R {parsnip} 兼容接口）：https://github.com/tidymodels/bonsai

{mlr3extralearners}（R {mlr3} 兼容接口）：https://github.com/mlr-org/mlr3extralearners

lightgbm-transform（特征转换绑定）：https://github.com/microsoft/lightgbm-transform

postgresml（通过 Postgres 扩展在 SQL 中进行 LightGBM 训练和预测）：https://github.com/postgresml/postgresml

vaex-ml（具有自己的 LightGBM 接口的 Python DataFrame 库）：https://github.com/vaexio/vaex

支持

• 在 Stack Overflow 上使用 lightgbm 标签提问，我们会关注新问题。
• 在 GitHub issues 上提交 bug 报告和功能请求。

如何贡献

请查看 CONTRIBUTING 页面。

微软开源行为准则

本项目采用了微软开源行为准则。有关更多信息，请参阅行为准则常见问题解答或联系 opencode@microsoft.com。

参考论文

Yu Shi, Guolin Ke, Zhuoming Chen, Shuxin Zheng, Tie-Yan Liu. "梯度提升决策树的量化训练"。神经信息处理系统进展 35（NeurIPS 2022），第 18822-18833 页。

Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu. "LightGBM：高效梯度提升决策树"。神经信息处理系统进展 30（NIPS 2017），第 3149-3157 页。

Qi Meng, Guolin Ke, Taifeng Wang, Wei Chen, Qiwei Ye, Zhi-Ming Ma, Tie-Yan Liu. "一种高效通信的并行决策树算法"。神经信息处理系统进展 29（NIPS 2016），第 1279-1287 页。

Huan Zhang, Si Si and Cho-Jui Hsieh. "大规模树提升的 GPU 加速"。SysML 会议，2018。

许可证

本项目基于 MIT 许可证条款授权。有关其他详细信息，请参阅 LICENSE。