# 進階主題 ## 缺失值的處理 * LightGBM 通過默認的方式來處理缺失值，你可以通過設置 `use_missing=false` 來使其無效。 * LightGBM 通過默認的的方式用 NA (NaN) 去表示缺失值，你可以通過設置 `zero_as_missing=true` 將其變為零。 * 當設置 `zero_as_missing=false` （默認）時，在稀疏矩陣里 (和LightSVM) ，沒有顯示的值視為零。 * 當設置 `zero_as_missing=true` 時， NA 和 0 （包括在稀疏矩陣里，沒有顯示的值）視為缺失。 ## 分類特征的支持 * 當使用本地分類特征，LightGBM 能提供良好的精確度。不像簡單的 one-hot 編碼，LightGBM 可以找到分類特征的最優分割。 相對于 one-hot 編碼結果，LightGBM 可以提供更加準確的最優分割。 * 用 `categorical_feature` 指定分類特征 參考 [Parameters](./Parameters.rst) 的參數 `categorical_feature` * 首先需要轉換為 int 類型，并且只支持非負數。 將其轉換為連續范圍更好。 * 使用 `min_data_per_group`, `cat_smooth` 去處理過擬合（當 `#data` 比較小，或者 `#category` 比較大） * 對于具有高基數的分類特征(`#category` 比較大), 最好把它轉化為數字特征。 ## LambdaRank * 標簽應該是 int 類型，較大的數字代表更高的相關性（例如：0：壞，1：公平，2：好，3：完美）。 * 使用 `label_gain` 設置增益（重量）的 `int` 標簽。 * 使用 `max_position` 設置 NDCG 優化位置。 ## 參數優化 * 參考 [參數優化](./Parameters-Tuning.rst) . ## 并行學習 * 參考 [并行學習指南](./Parallel-Learning-Guide.rst) . ## GPU 的支持 * 參考 [GPU 教程](./GPU-Tutorial.rst) 和 [GPU Targets](./GPU-Targets.rst) ## GCC 用戶的建議 (MinGW, *nix) * 參考 [gcc 建議](./gcc-Tips.rst).