LightGBM(light gradient boosting machine，轻量梯度提升机)是对XGBoost进行改进的模型版本，其三者之间的演变关系为：GBDT-》XGBoost-》LightGBM，依次对性能进行优化，尽管XGBoost已经很高效了，但是仍然有缺陷，故此时就得到一个更为高效的模型版本LightGBM

由于XGBoost的复杂度是由于对每个特征值进行预排序，遍历所有可能的分裂点计算增益，其排序算法的复杂度=特征数×特征分裂点的数量×样本数。对XGBoost优化主要就从特征数、特征分裂点、样本数三个方面进行优化

 其涉及的优化方面涉及算法和策略(机器学习的三要素：模型、策略和算法)，以下是LightGBM采样的四个优化方法：

①直方图算法(Histogram-based Split，从特征分裂点的优化)

由于XGBoost通过对每个特征值进行排序，遍历所有可能的分裂点计算增益，其计算复杂度高(特征数×特征分裂点数×样本量)，内存消耗较大。其优化的方式是将连续特征离散化转化为直方图的bins，仅需遍历所有的bins而非所有的样本来寻找最优特分裂点。使得其复杂度降低到O(特征数×bins数×样本量)，同时还可以通过直方图差加速(父结点直方图剪去子结点直方图得到另外一个子结点的直方图)，其速度提升十倍，内存消耗降低到1/10

知识补充：

在机器学习中，bins(即分箱或者区间)指的是将连续型特征(年龄、收入、温度等)的数值范围离散化为多个区间，对每个区间进行整数编号。即划分区间

②单边梯度抽样(Gradient-based One-Side Sampling，从对应样本量的优化)

这个单边梯度抽样是分为对高梯度样本和低梯度样本进行分别抽样，使得在减少30%~50%的数据量时，几乎不损失精度。这种方法避免了传统随机采样过程中可能丢失重要样本信息。

其核心思想分为三个 ：

A.保留高梯度样本：选取梯度绝对值最大的前a%样本，

B.随机抽样低梯度样本：从剩余样本中随机抽取b%，并为其梯度乘以(1-a)/b作为补偿分布偏移。一般a和b的默认取值为0.2和0.1

C.仅用抽样数据计算分裂增益值，降低原本使用全部样本进行增益计算的计算复杂度。

其分裂增益计算的数学表达式:

知识补充：

梯度在GBDT中代表样本的预测难度，即梯度的绝对值越大，样本越难拟合

③互斥特征捆绑算法(Exclusive Feature Bunding，从特征数上优化)

在高维特征中，许多特征是互斥的(如“用户性别”和“怀孕次数”不会同时为非零值)，对于这种互斥或者冲突最少的特征进行捆绑，将捆绑的特征映射到同一个bin范围(如原特征A的bin范围是0-10，特征B的bin范围为11-20)；那么怎么识别这种互斥或者冲突最少的特征呢？可以选择使用贪心算法和图着色算法获取冲突最少特征。那么如何定义冲突最少呢？此时可以定义一个捆绑特征冲突率，当该冲突率低于阈值(max_conflict_rate)时，即可对其特征进行捆绑。

知识补充1：

(如“用户性别”和“怀孕次数”不会同时为非零值)这一内容怎么理解？

对于性别为男性的用户，怀孕次数几乎总是 0（除非特殊场景）。

对于性别为女性的用户，怀孕次数可能为 0、1、2 等。如果在一些场景为>0的样本

结论：在同一行数据中，这两个特征不会同时为非零值(男性怀孕次数为0，女性怀孕次数可能为非零)。因此它们是互斥特征(如果其为男性，那么其怀孕次数自动为0；而怀孕次数不为0，一定是女性，在这种场景下两个特征就可以视为单一特征)。

知识补充2：

捆绑特征选择算法(图着色算法)：将所有特征视为图的各个顶点，用一条边连接两个不互相独立的特征，边的权重则表示两个相连接的特征的冲突比率(max_conflict_rate)，通过阈值比较判定两点之间是否需要被涂上同一个颜色。但是这样会存在一个问题，特征捆绑后怎么进行取值的问题？比如一个特征A的取值范围是[20,40)，另外一个特征B的取值范围为[30,60)，此时特征捆绑后不做什么特殊处理后，就会得到取值范围为[20,60]，那么我现在有一个值为30的特征值，我该放进A特征中，还是放进B特征中呢？故需要对不互相独立的特征进行一个偏置处理，即比如对特征B的取值范围加上一个10的偏置值，使得B特征的取值范围变成[40,70]，此时就可以对里面的特征进行很好的区分了

④leaf-wise生长策略(带有深度限制叶子结点生长，即有max_depth作为叶子结点生长限制条件，为了避免出现XGBoost的过拟合的问题)

XGBoost的Level_wise策略：逐层分裂所有叶子结点，避免过拟合但产生冗余分裂(出现某些增益低的结点无需分裂)，故其产生的是一个对称树。

LightGBM的leaf_wise策略：只分裂增益最大的叶子，生成不对称树，并通过设置max_depth来防止过拟合。故其产生的是一个不对称树

综上，LightGBM较XGBoost更适合处理大规模(百万级别以上的样本)、高维特征、实时性高的数据样本；而对于小规模本地上运行的样本、样本需要精细调制的、需要强解释的模型，建议使用XGBoost框架。

幸运的是，LightGBM作为工业级的框架，其已经封装成库，直接可以在pycharm中通过pip install lightgbm的指令进行安装。Lightgbm库提供了分类和回归两大类接口，以及可以绘制模型特征重要性图