lightgbm-org--lightgbm/README.md

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

Note

本项目已于 2026 年 3 月从 Microsoft/LightGBM 迁移至 lightgbm-org/LightGBM。 本仓库仍是 LightGBM 的官方源代码，由同一批维护者（包括 LightGBM 的创建者）管理。 详情请参阅 https://github.com/lightgbm-org/LightGBM/issues/7187

Light Gradient Boosting Machine

LightGBM 是一个采用基于树的学习算法的梯度提升（gradient boosting）框架。它面向分布式与高效场景设计，具有以下优势：

• 更快的训练速度与更高的效率。
• 更低的内存占用。
• 更好的准确率。
• 支持并行、分布式与 GPU 学习。
• 能够处理大规模数据。

更多细节请参阅 Features.

得益于这些优势，LightGBM 已广泛应用于众多机器学习竞赛的获奖方案。

在公开数据集上的对比实验表明，LightGBM 在效率与准确率方面均可优于现有 boosting 框架，且内存消耗显著更低。此外，分布式学习实验表明，在特定设置下，LightGBM 可通过使用多台机器进行训练实现线性加速。

Get Started and Documentation

我们的主要文档位于 https://lightgbm.readthedocs.io/，由本仓库生成。如果你是 LightGBM 新手，请按照该站点上的安装说明操作。

接下来你可能想阅读：

• Examples展示常见任务的命令行用法。
• Features以及 LightGBM 支持的算法。
• Parameters是可进行自定义的详尽参数列表。
• Distributed Learning与 GPU Learning可加速计算。
• FLAML为 LightGBM 提供自动化调参（代码示例).
• Optuna Hyperparameter Tuner为 LightGBM 超参数提供自动化调参（代码示例).
• Understanding LightGBM Parameters (and How to Tune Them using Neptune).

面向贡献者的文档：

• How we update readthedocs.io.
• 查看 Development Guide.

News

请参阅 GitHub releases页面的变更日志。

External (Unofficial) Repositories

此处列出的项目提供了使用 LightGBM 的替代方式。 它们并非由 LightGBM 开发团队维护或官方背书。

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

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

Treelite (model compiler for efficient deployment): https://github.com/dmlc/treelite

lleaves (LLVM-based model compiler for efficient inference): https://github.com/siboehm/lleaves

Hummingbird (model compiler into tensor computations): https://github.com/microsoft/hummingbird

GBNet (use LightGBM as a PyTorch Module): https://github.com/mthorrell/gbnet

cuML Forest Inference Library (GPU-accelerated inference): https://github.com/rapidsai/cuml

nvForest (GPU-accelerated inference): https://github.com/rapidsai/nvforest

daal4py (Intel CPU-accelerated inference): https://github.com/intel/scikit-learn-intelex/tree/master/daal4py

m2cgen (model appliers for various languages): https://github.com/BayesWitnesses/m2cgen

leaves（Go 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（模型可视化与解释）：https://github.com/MAIF/shapash

dtreeviz（决策树可视化与模型解释）：https://github.com/parrt/dtreeviz

supertree（决策树交互式可视化）：https://github.com/mljar/supertree

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

Ray（分布式计算框架）：https://github.com/ray-project/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

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

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

LightGBM4J（用 Scala 编写的 LightGBM JVM 接口）：https://github.com/seek-oss/lightgbm4j

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

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

MLServer（LightGBM 推理服务器）：https://github.com/SeldonIO/MLServer

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

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

MLJAR AutoML（表格数据上的 AutoML）：https://github.com/mljar/mljar-supervised

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

LightGBMLSS（基于 LightGBM 的概率建模）：https://github.com/StatMixedML/LightGBMLSS

LightGBM-MoE（专家混合 / 状态切换扩展）：https://github.com/kyo219/LightGBM-MoE

darts（使用 LightGBM 进行时间序列预测与异常检测）：https://github.com/unit8co/darts

mlforecast（使用 LightGBM 进行时间序列预测）：https://github.com/Nixtla/mlforecast

skforecast（使用 LightGBM 进行时间序列预测）：https://github.com/JoaquinAmatRodrigo/skforecast

{bonsai}（符合 R {parsnip} 规范的接口）：https://github.com/tidymodels/bonsai

{mlr3extralearners}（符合 R {mlr3} 规范的接口）：https://github.com/mlr-org/mlr3extralearners

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

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

pyodide（在 Web 浏览器中运行 lightgbm Python 包）：https://github.com/pyodide/pyodide

vaex-ml（自带 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, we monitor this for new questions.
• 在 GitHub issues. 上提交 bug 报告 和 功能请求。

如何贡献

请参阅 CONTRIBUTING 页面。

Microsoft 开源行为准则

本项目已采纳 Microsoft Open Source Code of Conduct. 更多信息请参阅 Code of Conduct FAQ，或通过 opencode@microsoft.com 联系我们提出其他问题或意见。

参考论文

Yu Shi, Guolin Ke, Zhuoming Chen, Shuxin Zheng, Tie-Yan Liu. "Quantized Training of Gradient Boosting Decision Trees"（链接). Advances in Neural Information Processing Systems 35 (NeurIPS 2022), pp. 18822-18833.

Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu. "LightGBM: A Highly Efficient Gradient Boosting Decision Tree". Advances in Neural Information Processing Systems 30 (NIPS 2017), pp. 3149-3157.

Qi Meng, Guolin Ke, Taifeng Wang, Wei Chen, Qiwei Ye, Zhi-Ming Ma, Tie-Yan Liu. "A Communication-Efficient Parallel Algorithm for Decision Tree". Advances in Neural Information Processing Systems 29 (NIPS 2016), pp. 1279-1287.

Huan Zhang, Si Si and Cho-Jui Hsieh. "GPU Acceleration for Large-scale Tree Boosting". SysML Conference, 2018.

许可证

本项目依据 MIT 许可证条款授权。更多详情请参阅 LICENSE。