📚 课程目录第3章 LightGBM环境搭建

3. LightGBM 环境搭建

在开始使用 LightGBM 进行模型训练与 A/B 测试验证之前，必须搭建一个稳定、可复现的实验环境。本章将指导你完成从 Python 基础环境配置到 GPU 加速验证的完整流程，确保后续所有实验都能在一致的环境中运行。

3.1 Python 环境配置

推荐使用 Python 3.8–3.11 版本，并采用虚拟环境隔离项目依赖。以下为两种主流方案：

方案	适用场景	核心命令
venv（内置）	轻量级单项目隔离	`python -m venv lgb_env`
conda	多 Python 版本管理 / GPU 驱动兼容	`conda create -n lgb_env python=3.9`

建议：如果后续需要安装 GPU 版本的 LightGBM，优先使用 conda 环境，因为它能更可靠地处理 CUDA 相关依赖。

环境激活与验证：

# Windows
lgb_env\Scripts\activate

# Linux / macOS
source lgb_env/bin/activate

# 验证 Python 版本
python --version
# 输出示例：Python 3.9.18

3.2 LightGBM 库安装

LightGBM 提供多种安装渠道，根据你的操作系统和硬件选择最合适的命令：

安装方式	命令	说明
PyPI（CPU 版）	`pip install lightgbm`	最通用，自动匹配系统架构
conda（CPU 版）	`conda install -c conda-forge lightgbm`	依赖管理更严格，适合科学计算
PyPI（GPU 版）	`pip install lightgbm --install-option=--gpu`	需预先安装 CUDA 和 Boost
源码编译（GPU）	`cmake .. -DUSE_GPU=1` + `make -j4`	完全自定义编译参数

注意：GPU 版本安装前必须确认 CUDA 版本与显卡驱动兼容。LightGBM 官方支持 CUDA 10.0+，推荐使用 CUDA 11.x 或 12.x。

3.3 GPU 版本安装与验证

GPU 加速是处理大规模 A/B 测试数据的关键。以下为完整的 GPU 版本安装流程：

检查 CUDA 可用性

nvidia-smi
# 确认 CUDA Version 列，例如：CUDA Version: 12.2

安装 GPU 版 LightGBM（conda 推荐）

conda install -c conda-forge lightgbm cudatoolkit=11.8

验证 GPU 设备识别

import lightgbm as lgb
print(lgb.__version__)
# 输出：4.5.0

# 测试 GPU 训练
import numpy as np
X = np.random.rand(1000, 10)
y = np.random.rand(1000)
train_data = lgb.Dataset(X, label=y)
params = {'device': 'gpu', 'gpu_platform_id': 0, 'gpu_device_id': 0}
model = lgb.train(params, train_data, num_boost_round=10)
print("GPU 训练成功！")

  验证要点：如果训练过程中没有报错，且日志中未出现 "fallback to CPU" 字样，则 GPU 版本安装成功。可以通过 lgb.basic._LIB.LGBM_GetDeviceInfo() 获取当前设备信息。

3.4 Jupyter Notebook 设置

Jupyter Notebook 是进行交互式实验和 A/B 测试分析的理想工具。配置步骤如下：

安装 Jupyter
```
pip install jupyter notebook
```

注册虚拟环境内核

pip install ipykernel
python -m ipykernel install --user --name=lgb_env --display-name="LightGBM (lgb_env)"

启动 Notebook
```
jupyter notebook
```

验证内核切换

在 Notebook 界面中，点击右上角 Kernel → Change kernel，选择 "LightGBM (lgb_env)"，然后运行以下代码确认环境正确：

import sys
print(sys.executable)
# 输出应包含你的虚拟环境路径

import lightgbm as lgb
print(f"LightGBM 版本: {lgb.__version__}")
print(f"GPU 可用: {lgb.basic._LIB.LGBM_GetDeviceInfo() != b''}")

效率技巧：在 Notebook 中预先加载常用库和数据集，配合 %load_ext autoreload 和 %autoreload 2 魔法命令，可以在修改源文件后自动重载模块，大幅提升 A/B 测试实验迭代速度。

3.5 环境验证清单

完成上述步骤后，建议执行以下完整验证脚本，确保所有组件正常工作：

# 环境完整性检查脚本
import sys
import platform
import lightgbm as lgb
import numpy as np

print(f"Python 版本: {sys.version}")
print(f"操作系统: {platform.system()} {platform.release()}")
print(f"LightGBM 版本: {lgb.__version__}")

# 检查 GPU 支持
try:
    params = {'device': 'gpu', 'gpu_platform_id': 0, 'gpu_device_id': 0}
    X = np.random.rand(500, 5)
    y = np.random.rand(500)
    train_data = lgb.Dataset(X, label=y)
    model = lgb.train(params, train_data, num_boost_round=5, verbose_eval=False)
    print("GPU 训练: ✅ 成功")
except Exception as e:
    print(f"GPU 训练: ❌ 失败 - {str(e)}")

print("环境搭建完成，可以开始 A/B 测试实验！")

  最佳实践：将上述验证脚本保存为 check_environment.py，每次在新机器或新环境中运行一次，确保环境一致性。这是后续所有 A/B 测试实验可复现性的基础保障。