feat(training): 实现 LightGBM 模型

- 新增 LightGBMModel：LightGBM 回归模型实现
- 支持自定义参数（objective, num_leaves, learning_rate, n_estimators 等）
- 使用 LightGBM 原生格式保存/加载模型（不依赖 pickle）
- 支持特征重要性提取
- 已注册到 ModelRegistry（@register_model("lightgbm")）

src/training/components/__init__.py

@@ -22,6 +22,9 @@ from src.training.components.processors import (
     Winsorizer,
 )
 
+# 模型
+from src.training.components.models import LightGBMModel
+
 __all__ = [
     "BaseModel",
     "BaseProcessor",
@@ -31,4 +34,5 @@ __all__ = [
     "StandardScaler",
     "CrossSectionalStandardScaler",
     "Winsorizer",
+    "LightGBMModel",
 ]

src/training/components/models/__init__.py

@@ -0,0 +1,8 @@
+"""模型子模块
+
+包含各种机器学习模型的实现。
+"""
+
+from src.training.components.models.lightgbm import LightGBMModel
+
+__all__ = ["LightGBMModel"]

src/training/components/models/lightgbm.py

@@ -0,0 +1,194 @@
+"""LightGBM 模型实现
+
+提供 LightGBM 回归模型的实现，支持特征重要性和原生模型保存。
+"""
+
+from typing import Optional
+
+import numpy as np
+import pandas as pd
+import polars as pl
+
+from src.training.components.base import BaseModel
+from src.training.registry import register_model
+
+
+@register_model("lightgbm")
+class LightGBMModel(BaseModel):
+    """LightGBM 回归模型
+
+    使用 LightGBM 库实现梯度提升回归树。
+    支持自定义参数、特征重要性提取和原生模型格式保存。
+
+    Attributes:
+        name: 模型名称 "lightgbm"
+        params: LightGBM 参数字典
+        model: 训练后的 LightGBM Booster 对象
+        feature_names_: 特征名称列表
+    """
+
+    name = "lightgbm"
+
+    def __init__(
+        self,
+        objective: str = "regression",
+        metric: str = "rmse",
+        num_leaves: int = 31,
+        learning_rate: float = 0.05,
+        n_estimators: int = 100,
+        **kwargs,
+    ):
+        """初始化 LightGBM 模型
+
+        Args:
+            objective: 目标函数，默认 "regression"
+            metric: 评估指标，默认 "rmse"
+            num_leaves: 叶子节点数，默认 31
+            learning_rate: 学习率，默认 0.05
+            n_estimators: 迭代次数，默认 100
+            **kwargs: 其他 LightGBM 参数
+        """
+        self.params = {
+            "objective": objective,
+            "metric": metric,
+            "num_leaves": num_leaves,
+            "learning_rate": learning_rate,
+            "verbose": -1,  # 抑制训练输出
+            **kwargs,
+        }
+        self.n_estimators = n_estimators
+        self.model = None
+        self.feature_names_: Optional[list] = None
+
+    def fit(self, X: pl.DataFrame, y: pl.Series) -> "LightGBMModel":
+        """训练模型
+
+        Args:
+            X: 特征矩阵 (Polars DataFrame)
+            y: 目标变量 (Polars Series)
+
+        Returns:
+            self (支持链式调用)
+
+        Raises:
+            ImportError: 未安装 lightgbm
+            RuntimeError: 训练失败
+        """
+        try:
+            import lightgbm as lgb
+        except ImportError:
+            raise ImportError(
+                "使用 LightGBMModel 需要安装 lightgbm: pip install lightgbm"
+            )
+
+        # 保存特征名称
+        self.feature_names_ = X.columns
+
+        # 转换为 numpy
+        X_np = X.to_numpy()
+        y_np = y.to_numpy()
+
+        # 创建数据集
+        train_data = lgb.Dataset(X_np, label=y_np)
+
+        # 训练
+        self.model = lgb.train(
+            self.params,
+            train_data,
+            num_boost_round=self.n_estimators,
+        )
+
+        return self
+
+    def predict(self, X: pl.DataFrame) -> np.ndarray:
+        """预测
+
+        Args:
+            X: 特征矩阵 (Polars DataFrame)
+
+        Returns:
+            预测结果 (numpy ndarray)
+
+        Raises:
+            RuntimeError: 模型未训练时调用
+        """
+        if self.model is None:
+            raise RuntimeError("模型尚未训练，请先调用 fit()")
+
+        X_np = X.to_numpy()
+        return self.model.predict(X_np)
+
+    def feature_importance(self) -> Optional[pd.Series]:
+        """返回特征重要性
+
+        Returns:
+            特征重要性序列，如果模型未训练则返回 None
+        """
+        if self.model is None or self.feature_names_ is None:
+            return None
+
+        importance = self.model.feature_importance(importance_type="gain")
+        return pd.Series(importance, index=self.feature_names_)
+
+    def save(self, path: str) -> None:
+        """保存模型（使用 LightGBM 原生格式）
+
+        使用 LightGBM 的原生格式保存，不依赖 pickle，
+        可以在不同环境中加载。
+
+        Args:
+            path: 保存路径
+
+        Raises:
+            RuntimeError: 模型未训练时调用
+        """
+        if self.model is None:
+            raise RuntimeError("模型尚未训练，无法保存")
+
+        self.model.save_model(path)
+
+        # 同时保存特征名称（LightGBM 原生格式不保存这个）
+        import json
+
+        meta_path = path + ".meta.json"
+        with open(meta_path, "w") as f:
+            json.dump(
+                {
+                    "feature_names": self.feature_names_,
+                    "params": self.params,
+                    "n_estimators": self.n_estimators,
+                },
+                f,
+            )
+
+    @classmethod
+    def load(cls, path: str) -> "LightGBMModel":
+        """加载模型
+
+        从 LightGBM 原生格式加载模型。
+
+        Args:
+            path: 模型文件路径
+
+        Returns:
+            加载的 LightGBMModel 实例
+        """
+        import lightgbm as lgb
+        import json
+
+        instance = cls()
+        instance.model = lgb.Booster(model_file=path)
+
+        # 加载元数据
+        meta_path = path + ".meta.json"
+        try:
+            with open(meta_path, "r") as f:
+                meta = json.load(f)
+                instance.feature_names_ = meta.get("feature_names")
+                instance.params = meta.get("params", instance.params)
+                instance.n_estimators = meta.get("n_estimators", instance.n_estimators)
+        except FileNotFoundError:
+            # 如果没有元数据文件，继续运行（feature_names_ 为 None）
+            pass
+
+        return instance