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)
Lumina 的第二层是纯 Python 实现的 Qlib Alpha158 因子库，将其完整向量化重写，并使用 LightGBM 作为元决策过滤器。
Vespa 在排序管道中直接支持 XGBoost 和 LightGBM，包括使用廉价的第一阶段评分器，仅在最强候选上运行提升模型。
在基准测试中，LightGBM/HGB 达到 100.0% 总体准确率、0.11 ms CPU 延迟、0.0% 步频误报，但需要调参学习率、迭代次数、正则化。
决策模型是针对单一分类或判断任务定向训练的轻量模型，常见形式包括梯度提升树（XGBoost、LightGBM）、小型微调BERT变体或蒸馏自大模型的Tiny系列
XGBoost和LightGBM是在梯度提升框架上进行扩展和优化的工程实现
在24周长期预测中，LightGBM表现最佳，RMSE为5.038，R²为0.525
LightGBM是微软开源的梯度提升决策树框架，采用叶子优先的树生长策略和直方图加速算法
XGBoost于2016年推出，LightGBM于2017年推出，二者与CatBoost均以Gradient Boosting为理论基石
XGBoost、LightGBM等现代提升框架在结构化数据任务上常常超越深度神经网络
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
还有 9 条时间轴事件
全部知识事实 (20)
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%已验证梯度提升树（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
65%已验证LightGBM是微软开源的梯度提升决策树框架，相较于XGBoost采用了基于直方图的决策树算法和叶子优先（leaf-wise）的树生长策略，在大规模数据集上训练速度更快、内存占用更低
65%已验证梯度提升本质上是通过迭代地训练弱学习器、每一轮新的树专注于拟合上一轮的残差来实现集成效果
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Qlib内置了多种机器学习模型（如LightGBM、LSTM、Transformer等）用于股票预测，并支持自定义因子和策略开发
85%待验证CatBoost由Yandex开发，擅长处理类别特征，与XGBoost、LightGBM并称GBDT三驾马车
60%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Lumina 的第二层是纯 Python 实现的 Qlib Alpha158 因子库，将其完整向量化重写，并使用 LightGBM 作为元决策过滤器。
50%待验证Vespa 在排序管道中直接支持 XGBoost 和 LightGBM，包括使用廉价的第一阶段评分器，仅在最强候选上运行提升模型。
50%待验证在基准测试中，LightGBM/HGB 达到 100.0% 总体准确率、0.11 ms CPU 延迟、0.0% 步频误报，但需要调参学习率、迭代次数、正则化。
50%待验证决策模型是针对单一分类或判断任务定向训练的轻量模型，常见形式包括梯度提升树（XGBoost、LightGBM）、小型微调BERT变体或蒸馏自大模型的Tiny系列
50%待验证XGBoost和LightGBM是在梯度提升框架上进行扩展和优化的工程实现
50%待验证在24周长期预测中，LightGBM表现最佳，RMSE为5.038，R²为0.525
50%待验证LightGBM是微软开源的梯度提升决策树框架，采用叶子优先的树生长策略和直方图加速算法
50%待验证XGBoost于2016年推出，LightGBM于2017年推出，二者与CatBoost均以Gradient Boosting为理论基石
50%待验证XGBoost、LightGBM等现代提升框架在结构化数据任务上常常超越深度神经网络
50%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%