前面提到了，LightGBM是Xgboost的更高效实现， 由微软发布。

XGBoost的并行是在特征粒度上的。我们知道，决策树的学习最耗时的一个步骤就是对特征的值进行排序（因为要确定最佳分割点），XGBoost在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。

LightGBM相比于Xgboost，添加了很多新的方法来改进模型，包括:并行方案、基于梯度的单边检测（GOSS）、排他性特征捆绑等。

LightGBM的设计思路主要是两点：1.减小数据对内存的使用，保证单个机器在不牺牲速度的情况下，尽可能地用上更多的数据；2.减小通信的代价，提升多机并行时的效率，实现在计算上的线性加速。由此可见，LightGBM的设计初衷就是提供一个快速高效、低内存占用、高准确度、支持并行和大规模数据处理的数据科学工具。

LightGBM并没有垂直的切分数据集，而是每个worker都有全量的训练数据，因此最优的特征分裂结果不需要传输到其他worker中，只需要将最优特征以及分裂点告诉其他worker，worker随后本地自己进行处理。处理过程如下：

每个worker在基于局部的特征集合找到最优分裂特征。

workder间传输最优分裂信息，并得到全局最优分裂信息。

每个worker基于全局最优分裂信息，在本地进行数据分裂，生成决策树。

在AdaBoost中，采样权重作为数据实例