LightGBM 新手入門：用咖啡銷量看懂原理、訓練與 Python 實作

LightGBM 入門示意：咖啡店的表格資料經過多棵決策樹，產生每日銷量預測

LightGBM 可以幫你從過去的表格資料學出規律，再預測新資料的答案。假設你經營一家咖啡店，手上有每天的氣溫預報、促銷紀錄與實際銷量，就能試著回答：「星期六會熱到 28 度，又有促銷，該準備多少杯？」

這篇從這個問題開始，依序看懂它在學什麼、怎麼訓練，以及怎麼知道預測有沒有幫上忙。你不需要先懂微積分；實作部分只需要能執行基本 Python。

先把問題整理成一張表

下面是說明欄位用的虛構資料，不是後面程式的實測輸出：

星期幾 當天的氣溫預報 是否促銷 實際賣出杯數
星期一 24 度 否 150
星期六 28 度 是 220
星期日 20 度 否 165

每列代表一天。前三欄是預測時能提供的特徵，程式通常叫它們 X；最後一欄是希望模型學會預測的目標，通常叫 y。

訓練時，你同時提供 X 和已知的 y，讓模型找規律。預測時，你只提供新的一天的 X，模型輸出估計杯數。新的一天真正會賣多少，當然不能先放進輸入裡。

這種「拿有答案的歷史資料學習」的方式，叫做監督式學習。LightGBM 常用的三種任務如下；官方 Python API 分別提供對應介面。

想回答的問題 任務 Python 介面
明天賣幾杯？ 迴歸，預測數值 LGBMRegressor
這位顧客會不會回購？ 分類，預測類別或機率 LGBMClassifier
同一次搜尋的商品怎麼排序？ 排序，學習相對順序 LGBMRanker

排序還需要把同一次查詢的候選項目分組，不能直接把銷量範例換個類別名稱就當成排序系統。這篇先完成最直覺的銷量迴歸。

它在學什麼？從問問題，到逐步修正預測

先想像一棵決策樹。它會依序問「是否促銷？」「氣溫高於某個門檻嗎？」，把歷史資料分成不同群組，最後給出一個數值。問題、門檻和數值都由資料學出來。

LightGBM 的預設做法會把許多棵樹依序組合起來。後面的樹根據前面整個模型的不足，學習下一步怎麼修正。這就是梯度提升的核心直覺。

用平方誤差的迴歸來想，修正方向可以理解成「實際值減掉目前預測」的殘差。換成分類或其他目標時，修正方向會由對應損失函數的梯度決定。scikit-learn 的梯度提升說明 有更完整的原理。

以下數字只用來示意修正過程，假設某天實際賣出 130 杯：

階段 這次加入的修正 合計預測
初始預測 從 100 杯開始 100 杯
第一棵修正樹 加 20 杯 120 杯
第二棵修正樹 加 8 杯 128 杯

表中的修正已包含學習率的縮放。實際訓練會同時考慮許多天；每棵樹也可能調高或調低預測，驗證誤差不保證每一輪都下降。

你可以把訓練後的模型想成一組會一起工作的規則。預測時，模型把新資料送進這些樹，再合併它們的貢獻；它不需要重新訓練才能回答每一筆新資料。

LightGBM 為什麼強調效率？

先認識兩個設計就夠了：

  • 直方圖分箱：把連續數值整理成較少的區間，減少尋找切分點時的運算與記憶體負擔。
  • 優先切分改善最大的葉節點：每次挑最能降低訓練損失的位置繼續長，而不要求每一層整齊長滿。這叫 leaf-wise 生長。

這些設計是 LightGBM 官方功能文件 說明的重點。葉節點就是樹走到底、給出數值的地方；長得太細，模型可能把少數樣本的巧合也記住，形成過度擬合。

因此速度與誤差仍要在自己的資料上比較。資料量小、欄位缺乏訊號，或未來情境改變時，模型名稱本身無法保證好結果。

動手前，先把資料分成三段

這個例子預測未來銷量，所以保留時間順序。1000 天分成前 700 天訓練、接著 150 天驗證、最後 150 天測試。

flowchart TD
    classDef plan fill:#e0f2fe,stroke:#0284c7,stroke-width:2px,color:#0f172a;
    classDef dev fill:#ede9fe,stroke:#7c3aed,stroke-width:2px,color:#3b0764;
    classDef test fill:#dcfce7,stroke:#16a34a,stroke-width:2px,color:#14532d;
    classDef gate fill:#fef3c7,stroke:#d97706,stroke-width:2px,color:#78350f;
    classDef done fill:#059669,stroke:#047857,stroke-width:2px,color:#ffffff;
    A["整理預測當下已知的特徵"]:::plan
    B["依時間切成訓練、驗證、測試"]:::plan
    C["用訓練集學出樹"]:::dev
    D["用驗證集決定何時停止"]:::gate
    E["用保留的測試集比較基準"]:::test
    F["輸入新的一天，產生預測"]:::done
    A --> B --> C --> D --> E --> F

訓練集像練習題，驗證集像練習中的小考，測試集像最後才拆封的考卷。 提前停止和調參數都看驗證集；如果反覆看測試成績調整模型，最後的分數也會失去公正性。

這裡用一次時間切分教流程。正式評估可以再做多個時間視窗的回測；TimeSeriesSplit 官方說明 解釋了這類切分的理由。

Python 實作：從零跑完一次銷量預測

以下程式自行生成模擬資料，不需要下載資料集。它刻意讓氣溫、週末與促銷影響銷量，再加入隨機擾動，方便觀察模型能不能找回規律。

1. 安裝並建立範例檔

準備好 Python 3.12。還沒有虛擬環境，可以先執行 python -m venv .venv。macOS／Linux 用 source .venv/bin/activate 啟用；Windows PowerShell 用 .venv\Scripts\Activate.ps1 啟用。

在已啟用的環境中安裝：

1
python -m pip install lightgbm==4.7.0 pandas==3.0.6 scikit-learn==1.9.1

若 macOS 匯入時提示缺少 OpenMP，依 官方安裝說明 安裝 libomp。

把下面三段 Python 依序放進同一個 lightgbm_coffee_demo.py。也可以下載完整 Python 範例，再執行 python lightgbm_coffee_demo.py。

2. 準備特徵 X 與答案 y

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.dummy import DummyRegressor
from sklearn.metrics import mean_absolute_error

rng = np.random.default_rng(42)
n = 1000
dates = pd.date_range("2024-01-01", periods=n, freq="D")
X = pd.DataFrame({
    "day_of_week": dates.dayofweek,
    "forecast_temp": rng.uniform(10, 35, n),
    "promotion": rng.integers(0, 2, n),
})
y = pd.Series(np.maximum(0, np.round(
    80 + 3 * X["forecast_temp"]
    + 20 * (X["day_of_week"] >= 5)
    + 35 * X["promotion"]
    + rng.normal(0, 8, n)
)), name="cups_sold")

day_of_week 以 0 代表星期一、6 代表星期日；promotion 的 0／1 代表沒有／有促銷。forecast_temp 模擬預測時已取得的氣溫預報。

你看得到生成 y 的公式，是因為這是教材。模型訓練只收到 X 和 y，沒有拿到那個公式。 真正的專案會從歷史紀錄讀取這些欄位。

3. 切分資料，讓模型學習

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
X_train, y_train = X.iloc[:700], y.iloc[:700]
X_valid, y_valid = X.iloc[700:850], y.iloc[700:850]
X_test, y_test = X.iloc[850:], y.iloc[850:]

model = lgb.LGBMRegressor(
    objective="regression", metric="mae",
    n_estimators=800, learning_rate=0.05,
    num_leaves=15, min_child_samples=20,
    random_state=42, n_jobs=2, verbosity=-1,
)
model.fit(
    X_train, y_train,
    eval_X=X_valid, eval_y=y_valid,
    callbacks=[lgb.early_stopping(30, verbose=False)],
)

fit 負責訓練，eval_X／eval_y 提供驗證資料。early_stopping(30) 表示驗證 MAE 連續 30 輪沒有改善就停止，並記錄最佳輪次；它需要驗證集才能運作。提前停止官方文件 說明了這個機制。

這份範例固定使用 LightGBM 4.7.0。新版以 eval_X／eval_y 取代已棄用的 eval_set；若使用較舊版本，這兩個新參數可能不被接受，請先對齊安裝版本。版本與參數依據

4. 看成績，再預測新的一天

1
2
3
4
5
6
7
8
9
10
11
12
13
14
baseline = DummyRegressor(strategy="mean")
baseline.fit(X_train, y_train)
baseline_mae = mean_absolute_error(y_test, baseline.predict(X_test))
model_mae = mean_absolute_error(y_test, model.predict(X_test))
print(f"Baseline MAE: {baseline_mae:.2f} cups")
print(f"LightGBM MAE: {model_mae:.2f} cups")
print(f"Best iteration: {model.best_iteration_}")

tomorrow = pd.DataFrame({
    "day_of_week": [5],
    "forecast_temp": [28.0],
    "promotion": [1],
})
print(f"New-day prediction: {model.predict(tomorrow)[0]:.1f} cups")

DummyRegressor 在這裡只會猜訓練集的平均銷量，作為最簡單的比較基準。predict 才是把新特徵轉成預測答案的動作。

跑出來的數字，應該怎麼讀？

2026 年 10 月 17 日，我們在 Python 3.12.10、LightGBM 4.7.0、pandas 3.0.6、scikit-learn 1.9.1 與 NumPy 2.5.4 環境實際執行，得到：

1
2
3
4
Baseline MAE: 24.40 cups
LightGBM MAE: 7.15 cups
Best iteration: 104
New-day prediction: 220.3 cups

MAE 是平均絕對誤差，越小越好。7.15 杯表示這 150 個測試日的預測，平均與實際值相差約 7.15 杯；它不保證每一天都只差這麼多，也不是「準確率 92.85%」。MAE 官方定義 可對照計算方式。

最佳輪次 104 表示驗證集挑出的模型用了 104 輪，並非把 800 輪全部用完。新一天的 220.3 杯是數值估計；如果要拿來備料，還需要把缺貨與剩料的成本一起考慮。

這些成績只來自本文設計的模擬資料。 真實咖啡店還有天氣預報誤差、臨時活動與需求變化，不能直接套用這個誤差。正式專案也應加入更有挑戰性的基準，例如「上週同一天銷量」。

先認識這五個設定就好

設定 這份範例 白話意思
n_estimators 800 最多訓練幾輪；本例每輪加一棵樹
learning_rate 0.05 每次修正跨多大一步
num_leaves 15 每棵樹最多保留多少個葉節點
min_child_samples 20 控制每個葉節點至少需要的樣本量
early_stopping 30 驗證成績連續幾輪沒改善就停止

先保留這組起點，觀察訓練與驗證的差距。如果訓練表現很好、驗證很差，可以試著減少葉節點或提高葉節點的樣本門檻。min_child_samples 對應核心參數 min_data_in_leaf；官方另有 max_depth 可限制樹深度。調參指南 與 參數定義 有完整說明。

範例中的 objective=”regression” 用平方誤差訓練，metric=”mae” 則用 MAE 看驗證成績。訓練的目標與評估的尺，負責的是兩件不同的事。

換成自己的資料，先檢查這三件事

若你已有 sales.csv，每列代表一天，包含日期 date、氣溫預報 forecast_temp、促銷 promotion 與銷量 cups_sold，可以保留匯入套件的部分，用這段取代步驟 2 的資料生成程式：

1
2
3
4
df = pd.read_csv("sales.csv", parse_dates=["date"]).sort_values("date")
df["day_of_week"] = df["date"].dt.dayofweek
X = df[["day_of_week", "forecast_temp", "promotion"]]
y = df["cups_sold"]

promotion 維持 0／1。原範例的 700／850 切點是針對 1000 列；筆數不同時，先按自己的資料量重新分配訓練、驗證和測試區間，再執行訓練。

第一，預測當下真的拿得到這個欄位嗎？ 預測明天銷量，可以用明天的預報與已排定促銷；明天打烊後才知道的營業額、實際來客數，都不能偷放進特徵。這叫資料洩漏，會讓測試成績好得不真實。常見資料洩漏問題 值得在接真資料前先看一次。

第二，欄位的型別有整理好嗎？ 星期、預報溫度與促銷要有一致格式。LightGBM 支援數值缺失值與類別特徵，但一般字串欄位仍需處理；例如店型可轉成 pandas 的 category 型別，並維持訓練、預測時的類別對應。支援缺值不代表你可以忽略資料品質。類別與缺失值官方說明

第三，測試方式像未來的使用情境嗎？ 先依日期排序，再分出訓練、驗證和測試。預測新資料時，維持相同特徵名稱、順序與意義；不要把 cups_sold 答案欄一起送進 predict。

第一次實作，先把「準備 X／y → 切分 → fit → 和基準比較 → predict」走通。等你能解釋每個欄位為什麼可用、每個誤差代表什麼，再來增加特徵與調整模型，會更知道自己正在改善哪個問題。

相關文章

Jev 1.14 更新整理：圖片輸入、Box 定位與 262k 長上下文
AI

Jev 1.14 更新整理：圖片輸入、Box 定位與 262k 長上下文
VoiceStudio 是什麼？本地 AI 配音介紹與電腦配置分級
AI

VoiceStudio 是什麼？本地 AI 配音介紹與電腦配置分級
Jev 是什麼？ChatGPT 共同發明人打造的 System One 模型，不生成文字只給機率決策
AI

Jev 是什麼？ChatGPT 共同發明人打造的 System One 模型，不生成文字只給機率決策