用途：XGBoost（eXtreme Gradient Boosting）与 LightGBM 是表格/结构化数据上的主流梯度提升库，两者都通过顺序构建决策树集成，逐棵纠正前序误差，适用于分类、回归、学习排序、特征重要性与特征选择，以及生产环境的快速推理。
主要能力：支持自动处理缺失值，内置类别权重以应对不平衡数据，包含 L1/L2 正则（alpha、lambda 参数）防止过拟合。XGBoost 通常较慢但精度略高，适合较小数据集（<10 万行）；LightGBM 使用直方图学习，在大数据（百万行级）上更快，并原生支持类别特征，XGBoost 则需编码。
使用方式：安装可执行 pip install xgboost lightgbm，GPU 支持为 pip install xgboost[gpu] lightgbm[gpu]。两者都提供 scikit-learn 风格接口（XGBClassifier、XGBRegressor、LGBMClassifier、LGBMRegressor）和原生接口（xgb.train、lgb.train）。常见流程为数据划分、创建模型并 fit，使用 eval_set 与 early stopping 防止过拟合，再用 predict 与指标评估；可用 xgb.cv 或 lgb 回调做交叉验证。LightGBM 可用 categorical_feature 参数指定类别列，无需独热编码。XGBoost 调优关注 max_depth，LightGBM 关注 num_leaves，二者含义不同；可用 GridSearchCV 或 Optuna 调参，并可通过 feature_importances_ 或 SHAP 做解释。
限制：需注意不要无验证集训练、不要对 LightGBM 做独热编码、不要忽略类别不平衡；资料未提供具体版本兼容性、性能基准、许可证、价格或平台支持等事实。