尽管XGBoost等算法比标准梯度提升机在性能上有大幅提升，但它们在处理超大数据集和高维特征空间时，仍可能面临计算瓶颈。本章将介绍LightGBM，这是一个专门为解决这些挑战而设计的框架，它优先考虑训练速度和内存效率，同时在准确性方面没有重大牺牲。

你将学习有助于LightGBM高效运行的核心技术。我们将涵盖：

• 基于梯度的单侧采样（GOSS）： 一种有选择地关注梯度较大数据实例的方法，旨在减少计算量同时保持模型准确性。
• 互斥特征捆绑（EFB）： 一种将互斥特征打包的方式，可有效减少训练时需考虑的特征数量。
• 基于直方图的算法： LightGBM如何使用离散化特征值（直方图）来加快寻找最优分割点的过程。
• 逐叶生长树策略： 将LightGBM逐叶生长树的策略与更常见的逐层生长方法进行对比，并理解其对性能和过拟合 (overfitting)可能性的影响。
• 优化后的类别特征处理： 查看LightGBM对类别变量的原生支持。

本章还将指导你学习LightGBM Python API的主要参数 (parameter)，并最终通过一个实践练习，让你实现并训练一个LightGBM模型。