针对高数据维和数据冗余导致的模型训练带来的复杂性和挖掘不足问题，创新性地提出了一种基于轻量 gradient boosting machine（lightgbm）算法的Gibbs采样方法，以获得与目标分布相似的样本数据集，分析样本数据集并获得每个特征的重要性，选择特定特征，实现特征选择和降维。为了验证该方法的有效性，选择了一些典型的特征选择算法进行比较。通过交叉验证的方法，发现基于Gibbs抽样的特征选择算法能够获得更好的精度。与原始数据集相比，它可以有效地减少特征，提高模型的预测能力。