LightGBM ist eine Open-Source-Bibliothek für Gradient Boosting mit Entscheidungsbäumen. Sie bündelt Merkmalswerte für die Suche nach Trennpunkten in Histogrammen und kann einen Baum dort weiter verzweigen, wo der größte Zugewinn erwartet wird. Der Aufwand und die Prognosegüte hängen von Daten, Parametern und Hardware ab. Technische Funktionsübersicht
Numerische und kategoriale Merkmale einsetzen
Die Bibliothek unterstützt numerische und kategoriale Merkmale sowie fehlende Werte. Für Kategorien beschreibt die Dokumentation eine geeignete Kodierung und entsprechende Einstellungen. Halte die Zuordnung der Kategorien zwischen Training und Einsatz konsistent. Für Zeitreihen musst du etwa frühere Zielwerte, Kalenderdaten und rollierende Kennzahlen als Merkmale vorbereiten. Verwende nur den Datenstand, der am jeweiligen Prognosestichtag verfügbar war. Kategorien und fehlende Werte
Modellkomplexität und Prognosefehler kontrollieren
Bei einer Umsatzprognose lässt sich LightGBM gegen eine saisonale Referenz und ein zweites Modell mit denselben historischen Stichtagen prüfen. Blattzahl und Mindestzahl von Beobachtungen pro Blatt beeinflussen, wie detailliert das Modell auf die Trainingsdaten reagiert. Reserviere einen späteren Zeitraum für den abschließenden Test. Historische Güte allein belegt keine künftige Rendite. Zeitlich geordnete Validierung
CatBoost verarbeitet Kategorien mit einem anderen Verfahren. Darts stellt eine gemeinsame Schnittstelle für Zeitreihenmodelle und historische Prognosen bereit. Weitere Profile bündelt KI für Finanzen und Investmentrecherche.
