Robust LightGBM
Robust LightGBM е рамка за градиентен бустинг, която комбинира високоефективния двигател LightGBM на Microsoft с устойчиви на отклонения функции на загубата — най-често Хюбер, квантилна или средна абсолютна грешка — така че прогнозите да не бъдат неоправдано изкривени от екстремни или грешни наблюдения. Тя запазва скоростта на LightGBM и растежа на дърветата по листа, като същевременно осигурява устойчивост на шума с тежки опашки в целевата променлива.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/bg/machine-learning/robust-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
- Регресия на ХюберСтатистика↔ compare
- LightGBMМашинно обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →