LightGBM
LightGBM – Light Gradient Boosting Machine
إطار تعزيز تدرجي سريع وخفيف على الذاكرة يعتمد التقسيم بالمدرّجات (Histogram) ونمو الأشجار حسب الأوراق.
المعلومات الأساسية
| الاسم | LightGBM |
|---|---|
| الاسم الكامل | LightGBM – Light Gradient Boosting Machine |
| التصنيف | أطر ومكتبات تعلم الآلة |
| الجهة المطورة | Microsoft، ثم مجتمع lightgbm-org |
| سنة الإطلاق | 2016 |
| الموقع الرسمي | github.com/lightgbm-org/LightGBM |
| مستودع GitHub | lightgbm-org/LightGBM |
| الوثائق الرسمية | lightgbm.readthedocs.io/en/latest |
| الحزمة على PyPI | lightgbm |
| الترخيص | MIT (ملف الترخيص) |
| حالة المشروع | نشطة صدر لها إصدار خلال آخر 12 شهراً |
| آخر إصدار | 18 يوليو 2026 (الإصدار 4.7.0) |
| لغة البرمجة | C++، Python، R |
| أنظمة التشغيل | MacOS، POSIX، Unix، Windows (كما تعلنها الحزمة على PyPI) |
| إصدار Python المطلوب | >=3.10 |
| مستوى الصعوبة | متوسط |
آخر تحقق من هذه البيانات: 21 نوفمبر 2026 — المصدر: PyPI JSON API (2026-11-21)
نظرة عامة
يعتمد LightGBM تقنيات مثل الأشجار النامية حسب الورقة (Leaf-wise) وتجميع القيم في مدرّجات، فيتدرب بسرعة على بيانات كبيرة باستهلاك ذاكرة منخفض، ويدعم السمات الفئوية مباشرة.
خيار شائع حين تكون البيانات كبيرة والوقت محدوداً. ويحتاج انتباهاً لفرط التخصيص على البيانات الصغيرة بسبب نمو الأشجار حسب الورقة.
متى تختارها؟ اخترها للبيانات الجدولية الكبيرة عندما تكون سرعة التدريب مهمة.
الاستخدامات
الاستخدامات الرئيسية
- تصنيف وانحدار جداول كبيرة
- الترتيب
- نماذج سريعة للإنتاج
المجالات العلمية
- الصناعة
- التمويل
- الطب
أنواع المشاريع المناسبة
- التنبؤ بالطلب
- تقييم المخاطر
تطبيقات بحثية
- خطوط أساس جدولية
الخصائص التقنية
تُعرض الخاصية «مدعومة» فقط إذا كانت موثقة في الوثائق الرسمية للمكتبة؛ وما لم نتحقق منه يظهر «غير محدد».
| دعم المعالج المركزي (CPU) | مدعوم |
|---|---|
| دعم المعالج الرسومي (GPU) | مدعومعبر OpenCL أو CUDA حسب طريقة البناء؛ راجع دليل التثبيت. |
| التوافق مع CUDA | مدعوم |
| التدريب أو الحوسبة الموزعة | مدعومتدريب موزّع مدمج ومع Dask. |
| الاشتقاق التلقائي (Autodiff) | غير مدعوم |
| نشر النماذج (Deployment) | مدعوم |
| نماذج مدربة مسبقاً | لا ينطبق |
| أنواع البيانات المدعومة | جداول رقمية وفئوية |
| التكامل مع مكتبات أخرى | Scikit-learn، Pandas، Dask، SHAP، Optuna |
| المرونة (تقدير تحريري) | متوسطة |
| الأداء (تقدير تحريري) | عالية جداً |
| المجتمع (تقدير تحريري) | كبير |
| جودة التوثيق (تقدير تحريري) | توثيق جيد |
التثبيت والتشغيل
pip install lightgbmالتوافق: Python >=3.10 — حسب بيانات الحزمة على PyPI، تحقق في 21 نوفمبر 2026
يُفضّل التثبيت داخل بيئة افتراضية (venv أو conda). وإذا احتجت توافقاً مع إصدار معين من CUDA أو نظام التشغيل فارجع إلى الوثائق الرسمية، لأن هذه المعلومات تتغير مع كل إصدار.
أمثلة برمجية
الأمثلة الموسومة «نُفّذ واختُبر» شُغّلت فعلياً وسُجّل مخرجها وتاريخ الاختبار وإصدارات المكتبات؛ وغيرها يحتاج GPU أو تنزيل نماذج فلم يُشغّل في بيئة الاختبار.
متوسطLightGBM مع سمات فئوية أصليةنُفّذ واختُبر
الهدف: تدريب نموذج على أعمدة فئوية دون ترميز One-Hot.
import numpy as np, pandas as pd, lightgbm as lgb
from sklearn.model_selection import train_test_split
rng = np.random.default_rng(0)
n = 2000
df = pd.DataFrame({"city": rng.choice(["A", "B", "C", "D"], n), "x": rng.normal(size=n)})
y = ((df["city"].isin(["B", "D"])) & (df["x"] > 0)).astype(int)
df["city"] = df["city"].astype("category")
X_tr, X_te, y_tr, y_te = train_test_split(df, y, test_size=0.3, random_state=0)
clf = lgb.LGBMClassifier(n_estimators=100, verbose=-1, random_state=0).fit(X_tr, y_tr)
print(f"دقة الاختبار: {clf.score(X_te, y_te):.3f}")
print("أهمية السمات:", {c: int(v) for c, v in zip(df.columns, clf.feature_importances_)})
شرح الكود
عندما يكون نوع العمود category في pandas يتعامل LightGBM معه مباشرة ويبحث عن أفضل تقسيم للفئات. البيانات هنا مصطنعة بقاعدة معروفة لنرى أن النموذج يكتشفها.
المخرجات المسجلة عند الاختبار
دقة الاختبار: 1.000
أهمية السمات: {'city': 86, 'x': 1284}نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — lightgbm 4.7.0, pandas 3.1.1, scikit-learn 1.9.1, python 3.13.18
المزايا
- سرعة تدريب عالية
- استهلاك ذاكرة منخفض
- دعم مباشر للسمات الفئوية
القيود
- عرضة لفرط التخصيص على البيانات الصغيرة
- دعم GPU يحتاج بناءً خاصاً أحياناً
المراجع والتحقق
- صفحة الحزمة على PyPI (مصدر الإصدار والترخيص وتاريخ الإصدار) تحقق مباشر
https://pypi.org/project/lightgbm/
تاريخ التحقق: 21 نوفمبر 2026 — الإصدار المتحقق منه: 4.7.0 — المراجعة: فريق DLArabic
- الموقع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://github.com/lightgbm-org/LightGBM
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
- الوثائق الرسمية رابط تعلنه الحزمة رسمياً على PyPI
https://lightgbm.readthedocs.io/en/latest/
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
- المستودع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://github.com/lightgbm-org/LightGBM
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
- ملف الترخيص الرسمي تحقق مباشر
https://github.com/lightgbm-org/LightGBM/blob/master/LICENSE
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
سجل الإصدارات المتحقق منها
| الإصدار | تاريخ الإصدار | تاريخ التحقق |
|---|---|---|
| 4.7.0 | 18 يوليو 2026 | 21 نوفمبر 2026 |
آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.
