[!NOTE] 该项目于2026年3月从 Microsoft/LightGBM 迁移到 lightgbm-org/LightGBM。 该仓库仍然是官方的 LightGBM 源代码库，由相同的维护者团队管理（包括 LightGBM 的创建者）。 更多信息请参阅：https://github.com/lightgbm-org/LightGBM/issues/7187

Light Gradient Boosting Machine

LightGBM 是一个基于树的学习算法的梯度提升框架。它专为分布式和高效计算而设计，具有以下优势：

• 训练速度更快、效率更高。
• 内存占用更低。
• 预测精度更高。
• 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 广泛应用于许多机器学习竞赛的获奖方案中。

在公开数据集上的对比实验表明，LightGBM 在效率和精度方面均优于现有的提升框架，同时内存消耗显著降低。此外，分布式学习实验显示，在特定场景下，使用多台机器进行训练可以实现线性加速。

开始使用与文档

我们的主要文档位于 https://lightgbm.readthedocs.io/，由本仓库生成。如果您是 LightGBM 的新手，请按照该网站上的安装指南进行操作。

接下来，您可能希望阅读：

• 示例，展示常见任务的命令行用法。
• 特性 和 LightGBM 支持的算法。
• 参数 是您可以进行自定义的详尽列表。
• 分布式学习 和 GPU 学习 可以加速计算。
• FLAML 提供 LightGBM 的自动化调参功能（代码示例)。
• Optuna 超参数调优器 提供 LightGBM 超参数的自动化调优（代码示例)。
• 理解 LightGBM 参数及其在 Neptune 中的调优方法。

面向贡献者的文档：

• 我们如何更新 readthedocs.io。
• 请查看 开发指南。

新闻

请参考 GitHub 发布页面中的变更日志。

外部（非官方）仓库

此处列出的项目提供了使用 LightGBM 的替代方式。 它们不由 LightGBM 开发团队维护或官方认可。

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

GBNet（将 LightGBM 用作 PyTorch Module）：https://github.com/mthorrell/gbnet

cuML Forest Inference Library（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（适用于多种语言的模型应用工具）：https://github.com/BayesWitnesses/m2cgen

leaves（Go 模型应用工具）：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（模型可视化与解释工具）：https://github.com/MAIF/shapash

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

supertree（交互式决策树可视化工具）：https://github.com/mljar/supertree

SynapseML（在 Spark 上运行 LightGBM）：https://github.com/microsoft/SynapseML

Kubeflow Fairing（在 Kubernetes 上运行 LightGBM）：https://github.com/kubeflow/fairing

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

lightgbm_ray（在 Ray 上运行 LightGBM）：https://github.com/ray-project/lightgbm_ray

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

Mars（在 Mars 上运行 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 包：https://github.com/IQVIA-ML/LightGBM.jl

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

MLServer（LightGBM 的推理服务器）：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（面向表格数据的 AutoML）：https://github.com/mljar/mljar-supervised

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

LightGBMLSS（使用 LightGBM 进行概率建模）：https://github.com/StatMixedML/LightGBMLSS

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}（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/lightgbm-org/LightGBM-transform

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

pyodide（在网页浏览器中运行 lightgbm Python 包）：https://github.com/pyodide/pyodide

vaex-ml（具有自身 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：link，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

本项目已采用 微软开源行为准则。更多信息请参阅 行为准则常见问题解答 或发送邮件至 opencode@microsoft.com 咨询更多问题或意见。

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”（链接）。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：一种高效的梯度提升决策树]”（链接）。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. “[一种通信高效的并行决策树算法]”（链接）。神经信息处理系统进展 29（NIPS 2016），第 1279–1287 页。

Huan Zhang, Si Si 和 Cho-Jui Hsieh. “[大规模树提升的 GPU 加速]”（链接）。SysML 大会，2018 年。

许可证

本项目根据 MIT 许可证条款授权。更多详情请参阅 LICENSE。

LightGBM 快速上手指南

LightGBM 是一个基于树模型的梯度提升框架，以训练速度快、内存占用低、精度高著称，并支持并行、分布式及 GPU 学习。

1. 环境准备

• 操作系统：Windows, Linux, macOS
• 前置依赖：
  • Python 用户：建议 Python 3.7+。安装前请确保已安装 pip 或 conda。
  • C++ 编译环境（仅当需要从源码安装时）：需要 CMake 和 C++ 编译器（如 GCC, Clang, 或 Visual Studio）。
  • GPU 支持（可选）：如需启用 GPU 加速，需预先安装 NVIDIA CUDA Toolkit 和 OpenCL。

2. 安装步骤

推荐优先使用国内镜像源以提升下载速度。

方式一：使用 pip 安装（推荐）

# 使用清华大学镜像源安装
pip install lightgbm -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 conda 安装

# 使用清华镜像源配置通道并安装
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda install lightgbm

方式三：从源码编译安装（高级用户）

如需自定义功能（如开启 GPU 支持），可从 GitHub 克隆源码编译：

git clone --recursive https://github.com/lightgbm-org/LightGBM.git
cd LightGBM/python-package
python setup.py install --precompile

3. 基本使用

以下是最简单的 Python 分类任务示例：

import lightgbm as lgb
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

# 1. 准备数据
data = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)

# 2. 创建 Dataset 对象
train_data = lgb.Dataset(X_train, label=y_train)
valid_data = lgb.Dataset(X_test, label=y_test, reference=train_data)

# 3. 设置参数
params = {
    'objective': 'binary',      # 二分类任务
    'metric': 'binary_logloss', # 评估指标
    'verbose': -1               # 关闭日志输出
}

# 4. 训练模型
model = lgb.train(
    params,
    train_data,
    num_boost_round=100,        # 迭代次数
    valid_sets=[valid_data],    # 验证集用于早停
    early_stopping_rounds=10    # 连续 10 轮无提升则停止
)

# 5. 预测
y_pred = model.predict(X_test)
print(f"前 5 个预测概率: {y_pred[:5]}")