【摘要】梯度提升树（G B D T）在每次操作时都会将所有训练数据加载到内存中，这会浪费大量空间并限制训练数据的大小。基于此，本文首先介绍 LightGBM 提出的动机，其次介绍实现 LightGBM 的算法，即 GOSS 算法（基于梯度的单边采样）和 EFB 算法（互斥特征捆绑），然后例举了在 Python 语言中使用 LightGBM 模型对 3 个二分类数据集分别进行分类预测的应用，计算出模型的相关评估指标以及在 3 个数据集中的运行时长和所占用的内存，并与 AdaBoost、GBDT、XGBoost 3 个集成算法进行对比，最后总结了 LightGBM 模型的优点（计算速度快、占用内存小）和缺点（对噪声点比较敏感等）。