LgihtGBM: 快速的，分布式的，高性能的基于决策树算法的梯度提升
应用范围：排序，分类，回归及其他机器学习任务
LightGMB缺陷：在小数据集上容易产生过拟合
与XGBoost相比的优势
- 在不降低准确率情况下，速度更快，消耗内存更低
LightGBM算法特性：
- 采用最优的叶明智(leaf-wise)策略分裂叶子节点
其他提升算法一般采用深度方向或level-wise，lightGBM所采用的leaf-wise则当增长到相同的叶子节点，leaf-wise会比level-wise算法减少更多的损失，故会有更高的精度
? 叶明智（leaf-wise）策略
? level-wise策略
LightGB是选择获得最大收益的节点展开，而XGBoost通过按层增长方式，故LightGBM能在更小计算代价下建立需要的决策树（层数少?）
XGBoost与LightGBM更多对比：
XGBoost算法特性：采用预排序方法，计算过程中按照value的排序，逐个数据样本计算划分收益，这样能精确找到最佳划分值，但代价比较大且没有很好推广性。
LightGBM没有采取预排序思路，而是将这些精确的连续的每一个value划分到一系列离散的域中，即bin中。
? 预排序方法
参考文献：
https://blog.csdn.net/qq_24519677/article/details/82811215
https://blog.csdn.net/weixin_39807102/article/details/81912566
