# 进阶主题 ## 缺失值的处理 * LightGBM 通过默认的方式来处理缺失值，你可以通过设置 `use_missing=false` 来使其无效。 * LightGBM 通过默认的的方式用 NA (NaN) 去表示缺失值，你可以通过设置 `zero_as_missing=true` 将其变为零。 * 当设置 `zero_as_missing=false` （默认）时，在稀疏矩阵里 (和LightSVM) ，没有显示的值视为零。 * 当设置 `zero_as_missing=true` 时， NA 和 0 （包括在稀疏矩阵里，没有显示的值）视为缺失。 ## 分类特征的支持 * 当使用本地分类特征，LightGBM 能提供良好的精确度。不像简单的 one-hot 编码，LightGBM 可以找到分类特征的最优分割。 相对于 one-hot 编码结果，LightGBM 可以提供更加准确的最优分割。 * 用 `categorical_feature` 指定分类特征 参考 [Parameters](./Parameters.rst) 的参数 `categorical_feature` * 首先需要转换为 int 类型，并且只支持非负数。 将其转换为连续范围更好。 * 使用 `min_data_per_group`, `cat_smooth` 去处理过拟合（当 `#data` 比较小，或者 `#category` 比较大） * 对于具有高基数的分类特征(`#category` 比较大), 最好把它转化为数字特征。 ## LambdaRank * 标签应该是 int 类型，较大的数字代表更高的相关性（例如：0：坏，1：公平，2：好，3：完美）。 * 使用 `label_gain` 设置增益（重量）的 `int` 标签。 * 使用 `max_position` 设置 NDCG 优化位置。 ## 参数优化 * 参考 [参数优化](./Parameters-Tuning.rst) . ## 并行学习 * 参考 [并行学习指南](./Parallel-Learning-Guide.rst) . ## GPU 的支持 * 参考 [GPU 教程](./GPU-Tutorial.rst) 和 [GPU Targets](./GPU-Targets.rst) ## GCC 用户的建议 (MinGW, *nix) * 参考 [gcc 建议](./gcc-Tips.rst).