Robust LightGBM
Robust LightGBM és un marc de gradient boosting que combina el motor altament eficient LightGBM de Microsoft amb funcions de pèrdua resistents a valors atípics (outliers) —més comunament la pèrdua de Huber, la pèrdua quantílica o l'error absolut mitjà— de manera que les prediccions no es distorsionin indegudament per observacions extremes o errònies. Conserva la velocitat de LightGBM i el creixement d'arbres basat en fulles (leaf-wise), alhora que proporciona resistència al soroll de cua pesada en la variable objectiu.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/ca/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.
- CatBoostAprenentatge automàtic↔ compare
- Gradient BoostingAprenentatge automàtic↔ compare
- Regressió de HuberEstadística↔ compare
- LightGBMAprenentatge automàtic↔ compare
- Random ForestAprenentatge automàtic↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →