灯光的工作GBM原理

Ligh GBM t 实现了传统的梯度提升决策树 (GBDT) 算法，并增加了两种新技术：基于梯度的单边采样 (GOSS) 和独家特征捆绑 ()。EFB这些技术旨在显著提高的效率和可扩展性GBDT。

Light GBM 算法在机器学习竞赛中表现良好，因为它可以强大的处理各种数据类型、关系、分布以及你可以微调的超参数的多样性。您可以使用 Light GBM 来解决回归、分类（二进制和多类）和排名问题。

有关梯度提升的更多信息，请参阅 SageMaker XGBoost算法的工作原理。有关 Ligh GBM t 方法中使用的附加内容GOSS和EFB技术的深入详细信息，请参阅 L ightGBM：高效梯度提升决策树。