LightGBM

KO | EN

gitlite — search

#javascript #python #hacktoberfest #react #ai #typescript #llm #go #golang #android #machine-learning #rust #deep-learning #linux

★ 18,688 Open GitHub ↗

의사결정 나무 알고리즘을 기반으로 한 빠르고 분산된 고성능 그래디언트 부스팅(GBT, GBDT, GBRT, GBM 또는 MART) 프레임워크로, 랭킹, 분류 및 기타 여러 머신러닝 작업에 사용됩니다.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

![](https://github.com/lightgbm-org/LightGBM/blob/main/docs/logo/LightGBM_logo_black_text.svg)
> [!NOTE]
> 이 프로젝트는 2026년 3월에 `Microsoft/LightGBM`에서 `lightgbm-org/LightGBM`으로 이전되었습니다.
> 이 저장소는 여전히 공식 LightGBM 소스 코드이며, (LightGBM의 창시자를 포함한) 동일한 메인이터들에 의해 관리됩니다.
> 자세한 내용은 https://github.com/lightgbm-org/LightGBM/issues/7187 을 참조하세요.
Light Gradient Boosting Machine
===============================
[![C++ GitHub Actions Build Status](https://github.com/lightgbm-org/LightGBM/actions/workflows/cpp.yml/badge.svg?branch=main)](https://github.com/lightgbm-org/LightGBM/actions/workflows/cpp.yml)
[![Python-package GitHub Actions Build Status](https://github.com/lightgbm-org/LightGBM/actions/workflows/python\_package.yml/badge.svg?branch=main)](https://github.com/lightgbm-org/LightGBM/actions/workflows/python\_package.yml)
[![R-package GitHub Actions Build Status](https://github.com/lightgbm-org/LightGBM/actions/workflows/r\_package.yml/badge.svg?branch=main)](https://github.com/lightgbm-org/LightGBM/actions/workflows/r\_package.yml)
[![CUDA Version GitHub Actions Build Status](https://github.com/lightgbm-org/LightGBM/actions/workflows/cuda.yml/badge.svg?branch=main)](https://github.com/lightgbm-org/LightGBM/actions/workflows/cuda.yml)
[![SWIG Wrapper GitHub Actions Build Status](https://github.com/lightgbm-org/LightGBM/actions/workflows/swig.yml/badge.svg?branch=main)](https://github.com/lightgbm-org/LightGBM/actions/workflows/swig.yml)
[![Static Analysis GitHub Actions Build Status](https://github.com/lightgbm-org/LightGBM/actions/workflows/static\_analysis.yml/badge.svg?branch=main)](https://github.com/lightgbm-org/LightGBM/actions/workflows/static\_analysis.yml)
[![Appveyor Build Status](https://ci.appveyor.com/api/projects/status/1ys5ot401m0fep6l/branch/main?svg=true)](https://ci.appveyor.com/project/guolinke/lightgbm/branch/main)
[![Documentation Status](https://readthedocs.org/projects/lightgbm/badge/?version=latest)](https://lightgbm.readthedocs.io/)
[![Link checks](https://github.com/lightgbm-org/LightGBM/actions/workflows/lychee.yml/badge.svg?branch=main)](https://github.com/lightgbm-org/LightGBM/actions/workflows/lychee.yml)
[![License](https://img.shields.io/github/license/lightgbm-org/lightgbm.svg)](https://github.com/lightgbm-org/LightGBM/blob/main/LICENSE)
[![EffVer Versioning](https://img.shields.io/badge/version\_scheme-EffVer-0097a7)](https://jacobtomlinson.dev/effver/)
[![StackOverflow questions](https://img.shields.io/stackexchange/stackoverflow/t/lightgbm?logo=stackoverflow&logoColor=white&label=StackOverflow%20questions)](https://stackoverflow.com/questions/tagged/lightgbm?sort=votes)
[![Python Versions](https://img.shields.io/pypi/pyversions/lightgbm.svg?logo=python&logoColor=white)](https://pypi.org/project/lightgbm)
[![PyPI Version](https://img.shields.io/pypi/v/lightgbm.svg?logo=pypi&logoColor=white)](https://pypi.org/project/lightgbm)
[![conda Version](https://img.shields.io/conda/vn/conda-forge/lightgbm?logo=conda-forge&logoColor=white&label=conda)](https://anaconda.org/conda-forge/lightgbm)
[![CRAN Version](https://www.r-pkg.org/badges/version/lightgbm)](https://cran.r-project.org/package=lightgbm)
[![NuGet Version](https://img.shields.io/nuget/v/lightgbm?logo=nuget&logoColor=white)](https://www.nuget.org/packages/LightGBM)
[![Winget Version](https://img.shields.io/winget/v/Microsoft.LightGBM)](https://github.com/microsoft/winget-pkgs/tree/master/manifests/m/Microsoft/LightGBM)
LightGBM은 트리 기반 학습 알고리즘을 사용하는 그래디언트 부스팅 프레임워크입니다. 다음과 같은 장점과 함께 분산 처리 및 고효율로 설계되었습니다.
- 더 빠른 학습 속도와 더 높은 효율성.
- 더 낮은 메모리 사용량.
- 더 나은 정확도.
- 병렬, 분산 및 GPU 학습 지원.
- 대규모 데이터 처리 가능.
자세한 내용은 [Features](https://github.com/lightgbm-org/LightGBM/blob/main/docs/Features.rst)를 참조하십시오.
혜택:

이러한 장점 덕분에 LightGBM은 머신러닝 경진대회의 많은 [우승 솔루션](https://github.com/lightgbm-org/LightGBM/blob/main/examples/README.md#machine-learning-challenge-winning-solutions)에서 널리 사용되고 있습니다.
공개 데이터셋을 이용한 [비교 실험](https://github.com/lightgbm-org/LightGBM/blob/main/docs/Experiments.rst#comparison-experiment)에 따르면, LightGBM은 훨씬 더 적은 메모리를 소비하면서도 효율성과 정확도 측면에서 기존의 부스팅 프레임워크를 능가할 수 있습니다. 뿐만 아니라, [분산 학습 실험](https://github.com/lightgbm-org/LightGBM/blob/main/docs/Experiments.rst#parallel-experiment)에 따르면 LightGBM은 특정 설정에서 여러 대의 머신을 사용하여 학습을 진행함으로써 선형적인 속도 향상을 달성할 수 있습니다.

시작하기 및 문서
-----------------------------
주요 문서는 https://lightgbm.readthedocs.io/에 있으며 이 저장소로부터 생성됩니다. LightGBM을 처음 접하는 경우, 해당 사이트의 [설치 지침](https://lightgbm.readthedocs.io/en/latest/Installation-Guide.html)을 따르세요.
다음 내용을 읽어보는 것도 좋습니다:
- 공통 작업에 대한 명령 줄 사용법을 보여주는 [\*\*예제\*\*](https://github.com/lightgbm-org/LightGBM/tree/main/examples).
- LightGBM이 지원하는 [\*\*기능\*\*](https://github.com/lightgbm-org/LightGBM/blob/main/docs/Features.rst) 및 알고리즘.
- 사용자 정의할 수 있는 항목의 전체 목록인 [\*\*파라미터\*\*](https://github.com/lightgbm-org/LightGBM/blob/main/docs/Parameters.rst).
- 연산을 가속화할 수 있는 [\*\*분산 학습\*\*](https://github.com/lightgbm-org/LightGBM/blob/main/docs/Parallel-Learning-Guide.rst) 및 [\*\*GPU 학습\*\*](https://github.com/lightgbm-org/LightGBM/blob/main/docs/GPU-Tutorial.rst).
- LightGBM을 위한 자동 튜닝을 제공하는 [\*\*FLAML\*\*](https://www.microsoft.com/en-us/research/articles/flaml-a-fast-and-lightweight-automl-library/) ([코드 예제](https://microsoft.github.io/FLAML/docs/Examples/AutoML-for-LightGBM/)).
- LightGBM 하이퍼파라미터를 위한 자동 튜닝을 제공하는 [\*\*Optuna Hyperparameter Tuner\*\*](https://medium.com/optuna/lightgbm-tuner-new-optuna-integration-for-hyperparameter-optimization-8b7095e99258) ([코드 예제](https://github.com/optuna/optuna-examples/blob/main/lightgbm/lightgbm\_tuner\_simple.py)).

기여자용 문서:
- [\*\*readthedocs.io 업데이트 방법\*\*](https://github.com/lightgbm-org/LightGBM/blob/main/docs/README.rst).
- [\*\*개발 가이드\*\*](https://github.com/lightgbm-org/LightGBM/blob/main/docs/Development-Guide.rst)를 확인하세요.

소식
----
변경 내역은 [GitHub releases](https://github.com/lightgbm-org/LightGBM/releases) 페이지를 참고하세요.

외부 (비공식) 저장소
----------------------------------
여기에 나열된 프로젝트들은 LightGBM을 사용하는 대체 방법을 제공합니다.
이 프로젝트들은 `LightGBM` 개발팀에서 유지보수하거나 공식적으로 지원하지 않습니다.

JPMML (Java PMML 변환기): https://github.com/jpmml/jpmml-lightgbm
Nyoka (Python PMML 변환기): https://github.com/SoftwareAG/nyoka
Treelite (효율적인 배포를 위한 모델 컴파일러): https://github.com/dmlc/treelite
lleaves (효율적인 추론을 위한 LLVM 기반 모델 컴파일러): https://github.com/siboehm/lleaves
Hummingbird (텐서 연산으로 변환하는 모델 컴파일러): https://github.com/microsoft/hummingbird
GBNet (`LightGBM`을 [PyTorch Module](https://docs.pytorch.org/docs/stable/generated/torch.nn.Module.html)로 사용): https://github.com/mthorrell/gbnet
cuML Forest Inference Library (GPU 가속 추론): https://github.com/rapidsai/cuml
nvForest (GPU 가속 추론): https://github.com/rapidsai/nvforest
daal4py (Intel CPU 가속 추론): https://github.com/uxlfoundation/scikit-learn-intelex/tree/master/daal4py
m2cgen (다양한 언어용 모델 적용 도구): https://github.com/BayesWitnesses/m2cgen
leaves (Go 모델 적용 도구): https://github.com/dmitryikh/leaves
ONNXMLTools (ONNX 변환기): https://github.com/onnx/onnxmltools
SHAP (모델 출력 설명기): https://gi

thub.com/shap/shap
Shapash (모델 시각화 및 해석): https://github.com/MAIF/shapash
dtreeviz (의사결정 나무 시각화 및 모델 해석): https://github.com/parrt/dtreeviz
supertree (의사결정 나무 대화형 시각화): https://github.com/mljar/supertree
SynapseML (Spark 기반 LightGBM): https://github.com/microsoft/SynapseML
Kubeflow Fairing (Kubernetes 기반 LightGBM): https://github.com/kubeflow/fairing
Kubeflow Operator (Kubernetes 기반 LightGBM): https://github.com/kubeflow/xgboost-operator
lightgbm\_ray (Ray 기반 LightGBM): https://github.com/ray-project/lightgbm\_ray
Ray (분산 컴퓨팅 프레임워크): https://github.com/ray-project/ray
Mars (Mars 기반 LightGBM): https://github.com/mars-project/mars
ML.NET (.NET/C# 패키지): https://github.com/dotnet/machinelearning
LightGBM.NET (.NET/C# 패키지): https://github.com/rca22/LightGBM.Net
LightGBM Ruby (Ruby 젬): https://github.com/ankane/lightgbm-ruby
LightGBM4j (Java 고수준 바인딩): https://github.com/metarank/lightgbm4j
LightGBM4J (Scala로 작성된 LightGBM용 JVM 인터페이스): https://github.com/seek-oss/lightgbm4j
Julia-package: https://github.com/IQVIA-ML/LightGBM.jl
lightgbm3 (Rust 바인딩): https://github.com/Mottl/lightgbm3-rs
MLServer (LightGBM용 추론 서버): https://github.com/SeldonIO/MLServer
MLflow (실험 추적, 모델 모니터링 프레임워크): https://github.com/mlflow/mlflow
FLAML (하이퍼파라미터 최적화를 위한 AutoML 라이브러리): https://github.com/microsoft/FLAML
MLJAR AutoML (테이블 데이터용 AutoML): https://github.com/mljar/mljar-supervised
Optuna (하이퍼파라미터 최적화 프레임워크): https://github.com/optuna/optuna
LightGBMLSS (LightGBM을 이용한 확률적 모델링): https://github.com/StatMixedML/LightGBMLSS
LightGBM-MoE (전문가 혼합 / 체제 전환 확장): https://github.com/kyo219/LightGBM-MoE
darts (LightGBM을 이용한 시계열 예측 및 이상 탐지): https://github.com/unit8co/darts
mlforecast (LightGBM을 이용한 시계열 예측): https://github.com/Nixtla/mlforecast
skforecast (LightGBM을 이용한 시계열 예측): https://github.com/skforecast/skforecast
`{bonsai}` (R `{parsnip}` 호환 인터페이스): https://github.com/tidymodels/bonsai
`{mlr3extralearners}` (R `{mlr3}` 호환 인터페이스): https://github.com/mlr-org/mlr3extralearners
lightgbm-transform (특성 변환 바인딩): https://github.com/Microsoft/LightGBM-transform
`postgresml` (Postgres 확장 기능을 통한 SQL에서의 LightGBM 학습 및 예측): https://github.com/postgresml/postgresml
`pyodide` (웹 브라우저에서 `lightgbm` Python 패키지 실행): https://github.com/pyodide/pyodide
`vaex-ml` (LightGBM 자체 인터페이스를 제공하는 Python DataFrame 라이브러리): https://github.com/vaexio/vaex
지원
-------
- 새로운 질문이 있는지 모니터링하고 있는 [Stack Overflow의 `lightgbm` 태그](https://stackoverflow.com/questions/ask?tags=lightgbm)를 통해 질문해 주세요.
- [GitHub issues](https://github.com/lightgbm-org/LightGBM/issues)에 \*\*버그 리포트\*\*와 \*\*기능 요청\*\*을 남겨주세요.
기여 방법
-----------------
[CONTRIBUTING](https://github.com/lightgbm-org/LightGBM/blob/main/CONTRIBUTING.md) 페이지를 확인하세요.
Microsoft 오픈 소스 행동 강령
-------------------------------------
이 프로젝트는 [Microsoft 오픈 소스 행동 강령](https://opensource.microsoft.com/codeofconduct/)을 채택했습니다. 자세한 내용은 [행동 강령 FAQ](https://opensource.microsoft.com/codeofconduct/faq/)를 참조하시거나 추가 질문이나 의견이 있는 경우 [opencode@microsoft.com](mailto:opencode@microsoft.com)으로 문의해 주세요.
참고 문헌
----------------
Yu Shi, Guolin Ke, Zhuoming Chen, Shuxin Zheng, Tie-Yan Liu. "Quantized Training of Gradient Boosting Decision Trees" ([링크](https://proceedings.neurips.cc/paper/2022/hash/77911ed9e6e864ca1a3d165b2c3cb258-Abstract.html)). Advances in Neural Information Processing Systems 35 (NeurIPS 2022), pp. 18822-18833.
Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong M

a, Qiwei Ye, Tie-Yan Liu. "[LightGBM: A Highly Efficient Gradient Boosting Decision Tree](https://proceedings.neurips.cc/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html)". Advances in Neural Information Processing Systems 30 (NIPS 2017), pp. 3149-3157.
Qi Meng, Guolin Ke, Taifeng Wang, Wei Chen, Qiwei Ye, Zhi-Ming Ma, Tie-Yan Liu. "[A Communication-Efficient Parallel Algorithm for Decision Tree](https://proceedings.neurips.cc/paper/2016/hash/10a5ab2db37feedfdeaab192ead4ac0e-Abstract.html)". Advances in Neural Information Processing Systems 29 (NIPS 2016), pp. 1279-1287.
Huan Zhang, Si Si and Cho-Jui Hsieh. "[GPU Acceleration for Large-scale Tree Boosting](https://arxiv.org/abs/1706.08359)". SysML Conference, 2018.
라이선스
-------
이 프로젝트는 MIT 라이선스에 따라 라이선스가 부여됩니다. 자세한 내용은 [LICENSE](https://github.com/lightgbm-org/LightGBM/blob/main/LICENSE)를 참조하세요.

LightGBM

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README