概述
LightGBM 和 XGBoost 两种模型都是GBDT 这种概念的工程化的实现，
说人话就是你和你的兄弟姐妹有一些不同，但是都是你爸和你妈那套操作出来的。
GBDT 这种概念又是建立在cart 决策树上
Cart决策树
决策树
决策树是啥，你就简单的理解为：
比如用一个决策树判断西瓜是否是好瓜
**
树的非叶子节点：西瓜的特点（特征），比如：纹理，重量
树的树干：西瓜特点的值，比如：纹理清晰，重量大于1斤
树的叶子节点：西瓜的判断结果，比如：好瓜，坏瓜
**
Cart决策树
假如让你用一堆西瓜，这堆西瓜有以下特征
1.重量
2.纹理
3.周长
4.瓜尾巴
让你来做一个树，用这些已有的西瓜来生成一颗树去预测新的瓜。
首先肯定要考虑这颗树怎么拆（特征选择），所以根据特征的选择方法就有以下的分类
cart决策树就是使用了基尼系数和平方误差定义为cart分类树和cart回归树
GBDT（梯度提升决策树）
GBDT 简单理解：梯度下降的方式去找提升决策树的最小值，这个树可以表达为一个函数，这个函数的最低点就是我们俗称的模型训练要达到的目的，即损失最小
梯度
简单的理解为，一个函数下降最快的那个方向的矢量
你可能会说，这个方向不就只有一个吗？No,机器学习中很多的函数都不是简单平面函数，所以在三维立体的函数里，你是需要去寻找这个梯度的
梯度下降
简单理解为，每一种机器学习模型都会搞出一个损失函数，这个函数的损失越小了，那模型就越好。那这个函数值的最小点就是我们要找的地方，而如果这个函数是个三维立体的函数，我就希望找它的梯度（下降最快），一步步的找到我们所认为的最小值，
因为在求解过中，我们是看不到函数图的，甚至根本画不出，所以找到这个最小点其实也不是真正的最小点，但已经足够了
提升树
简单理解：
1.你先训练出一颗树A
2.然后你A，然后计算他们与实际值误差
3.然后用训练A的方法，将这些误差视为新的数据再训练一颗树B
4.设最终的提升树为F,那F=A+B,简单理解就用两个树训练
5.重复上的过程后，可能会得到F=A+B+C+D…
6.多少颗树是认为决定的
LightGBM
LightGBM 跟 XGBoost都是将GBDT思想放羊光大，为了不引入过多概念，咱就不说
XGBoost了
LightGBM 也是用上面那种GBDT这种思维去训练树的，从上面GBDT的介绍中，并没有提及这个树怎么建立的问题。所以说他只是一个思想，具体怎么实现还要看具体的模型
LightGBM的实现方式如下：
怎么选取特征分割点
直方图选取分割点
1.将每个特征的所有值，切割为一个个的桶（bin）
比如：重量： b1 [一斤以下] ，b2 [一斤到两斤]，b3[ 大于两斤]
纹理： b4[清晰]，b5[模糊]
2.每个桶中有个两个值，当前样本梯度和S，样本数N
3.分别以当前bin作为分割点，累加器左边的梯度和样本数，并与父节点的总梯度和总样本数想减，即可得到右边的梯度和样本数，带入公式计算增益，在遍历过程中获取最大的，以此时的特征和bin的特征值作为分裂点
样本梯度和
公式
loss计算的公式入图
样本梯度
简单理解，将样本带入梯度的偏导函数里得到值
直方图怎么做差获得有节点
