Регуляризиран LightGBM
Регуляризиран LightGBM прилага L1 (lasso) и L2 (ridge) наказателни членове към целта за теглото на листата на LightGBM — високоефективната рамка за градиентен бустинг на Microsoft — за контрол на сложността на модела, намаляване на свръхприспособяването и подобряване на генерализацията при таблични задачи за класификация и регресия с високоизмерни или шумни набори от признаци.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- 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, 30, 3146–3154. link ↗
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/bg/machine-learning/regularized-lightgbm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- CatBoostМашинно обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- LightGBMМашинно обучение↔ compare
- Регуляризирано градиентно усилванеМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →