針對 Day 22 XGBoost 在全域損失最小化過程中過度吸附中度風險、導致低度風險預測歸零（Macro F1 跌至 0.248）的現象，導入微軟開發的另一梯度提升巨頭——LightGBM（Light Gradient Boosting Machine）。運用其特有的葉節點導向生長、基於直方圖的特徵分箱（Histogram-based Binning）以及多類別權重平衡參數，探討 LightGBM 能否在極速訓練的同時，修復極端風險等級的召回平衡性。

一、 實作前情境：為什麼在 XGBoost 之後還要嘗試 LightGBM？
在 Day 22 中，XGBoost 拿下了全場最高的 43.00% 總準確率，但混淆矩陣揭示它把低度風險（Low Risk）預測歸零，將大量樣本吸入中度風險。

LightGBM 與 XGBoost 雖然同屬梯度提升家族，但底層架構存在核心差異：

1.生長策略差異（Level-wise vs. Leaf-wise）：

• XGBoost 預設採用層級生長，同一層的所有節點一併分裂，容易產生冗餘分支。
• LightGBM 採用葉節點導向生長，每次只挑選「能帶來最大分裂增益」的單一葉節點進行分裂。在特徵重疊的資料集上，能用更少的葉節點精準切開高資訊量區域。

2.類別非平衡感知與直方圖加速：

• LightGBM 原生支援將連續特徵分箱為直方圖（Discrete Bins），能有效減少微小量測雜訊對分裂點的干擾，對於自覺量表這種連續但包含雜訊的特徵具備平滑防過擬合效果。
• 透過調整 class_weight='balanced'，強制約束模型在多分類情境下關注少數類（低度與高度風險）。