เปรียบเทียบวิธี

	ไลท์จีบีเอ็ม	Online Gradient Boosting
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2011–2015
ผู้ริเริ่ม	Ke, G. et al. (Microsoft)	Grubb, A. & Bagnell, J. A.; Beygelzimer, A. et al.
ประเภท	Gradient boosting decision tree ensemble	Online ensemble (sequential boosting on streaming data)
แหล่งต้นตำรับ	Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q. & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems (NeurIPS) 30, 3146–3154.	Grubb, A. & Bagnell, J. A. (2011). Generalized Boosting Algorithms for Convex Optimization. Proceedings of the 28th International Conference on Machine Learning (ICML 2011), 1209–1216.
ชื่อเรียกอื่น	LightGBM, Light Gradient Boosting Machine, lgbm, leaf-wise gradient boosting	OGB, streaming gradient boosting, incremental gradient boosting, online boosting with gradient descent
ที่เกี่ยวข้อง	5	6
สรุป	LightGBM is Microsoft's gradient boosting decision tree implementation, introduced by Ke and colleagues in 2017, that grows trees leaf-wise and bins features into histograms for speed. On large datasets it is much faster than XGBoost while retaining strong predictive accuracy.	Online Gradient Boosting adapts the gradient boosting framework for streaming settings where data arrives one sample at a time rather than as a fixed batch. At each step the model computes a pseudo-residual for the incoming observation and updates a weak learner in place, growing an additive ensemble without storing or revisiting past data. This makes it suitable for real-time prediction and large-scale streaming pipelines where retraining from scratch is infeasible.