LightGBM introduce optimizaciones específicas en cómo construye los árboles de decisión dentro del proceso de Gradient Boosting, permitiendo entrenar considerablemente más rápido y con menor uso de memoria que implementaciones anteriores, especialmente sobre conjuntos de datos muy grandes.
Su diferencia técnica clave
A diferencia de otros algoritmos que crecen los árboles nivel por nivel, LightGBM los crece priorizando las ramas que más reducen el error, lo que puede lograr mejor precisión con menos árboles, aunque requiere más cuidado para evitar overfitting en conjuntos de datos chicos.