- LightGBM 通过默认的方式来处理缺失值，你可以通过设置
use_missing=false来使其无效。 - LightGBM 通过默认的的方式用 NA (NaN) 去表示缺失值，你可以通过设置
zero_as_missing=true将其变为零。 - 当设置
zero_as_missing=false（默认）时，在稀疏矩阵里 (和LightSVM) ，没有显示的值视为零。 - 当设置
zero_as_missing=true时， NA 和 0 （包括在稀疏矩阵里，没有显示的值）视为缺失。
- 当使用本地分类特征，LightGBM 能提供良好的精确度。不像简单的 one-hot 编码，LightGBM 可以找到分类特征的最优分割。 相对于 one-hot 编码结果，LightGBM 可以提供更加准确的最优分割。
- 用
categorical_feature指定分类特征 参考 Parameters 的参数categorical_feature - 首先需要转换为 int 类型，并且只支持非负数。 将其转换为连续范围更好。
- 使用
min_data_per_group,cat_smooth去处理过拟合（当#data比较小，或者#category比较大） - 对于具有高基数的分类特征(
#category比较大), 最好把它转化为数字特征。
- 标签应该是 int 类型，较大的数字代表更高的相关性（例如：0：坏，1：公平，2：好，3：完美）。
- 使用
label_gain设置增益（重量）的int标签。 - 使用
max_position设置 NDCG 优化位置。
- 参考 参数优化 .
- 参考 并行学习指南 .
- 参考 GPU 教程 和 GPU Targets
- 参考 gcc 建议.