LightGBM
微软研发的梯度提升树框架，优化了大数据场景下的训练速度，在结构化数据任务中表现优异
核心事实
时间轴 (近 90 天)
核心机器学习算法包括线性回归、逻辑回归、决策树、随机森林、梯度提升（XGBoost、LightGBM）、K近邻和K-means聚类
梯度提升树模型（如XGBoost、LightGBM、CatBoost）在医疗表格结构化数据上往往表现最佳，且训练速度快、可解释性好
XGBoost 的直方图算法将连续特征离散化为固定数量的桶（通常256个），将分裂点搜索复杂度从 O(n·d) 降低到 O(bins)
流失预测模型通常采用监督学习方法，常用算法包括逻辑回归、随机森林、梯度提升树（XGBoost、LightGBM）以及深度学习序列模型
决策树的集成版本（随机森林、XGBoost、LightGBM）至今仍是工业界结构化数据建模中最常用的模型
时间序列模型选择范围包括ARIMA、Prophet、LightGBM以及基于Transformer的深度学习架构
在Kaggle等平台上，XGBoost、LightGBM和CatBoost几乎垄断了结构化数据竞赛的顶级解决方案
LightGBM于2017年通过直方图算法和leaf-wise生长策略大幅提升了训练速度
梯度提升树模型（如XGBoost、LightGBM、CatBoost）长期主导表格数据处理领域
梯度提升树（如XGBoost、LightGBM）长期以来在结构化数据任务上优于深度学习方法，因表格数据特征异质性强、样本量有限且缺乏局部连续性假设
全部知识事实 (10)
LightGBM于2017年通过直方图算法和leaf-wise生长策略大幅提升了训练速度
65%待验证在Kaggle等平台上，XGBoost、LightGBM和CatBoost几乎垄断了结构化数据竞赛的顶级解决方案
85%待验证梯度提升树模型（如XGBoost、LightGBM、CatBoost）长期主导表格数据处理领域
60%待验证核心机器学习算法包括线性回归、逻辑回归、决策树、随机森林、梯度提升（XGBoost、LightGBM）、K近邻和K-means聚类
50%待验证梯度提升树模型（如XGBoost、LightGBM、CatBoost）在医疗表格结构化数据上往往表现最佳，且训练速度快、可解释性好
50%待验证XGBoost 的直方图算法将连续特征离散化为固定数量的桶（通常256个），将分裂点搜索复杂度从 O(n·d) 降低到 O(bins)
50%待验证流失预测模型通常采用监督学习方法，常用算法包括逻辑回归、随机森林、梯度提升树（XGBoost、LightGBM）以及深度学习序列模型
50%待验证决策树的集成版本（随机森林、XGBoost、LightGBM）至今仍是工业界结构化数据建模中最常用的模型
50%待验证时间序列模型选择范围包括ARIMA、Prophet、LightGBM以及基于Transformer的深度学习架构
50%待验证梯度提升树（如XGBoost、LightGBM）长期以来在结构化数据任务上优于深度学习方法，因表格数据特征异质性强、样本量有限且缺乏局部连续性假设
50%