Bayesian LightGBM
Bayesian LightGBM kombinuje LightGBM — vysoce efektivní rámec pro gradient boosting založený na histogramu — s bayesovskou optimalizací hyperparametrů. Místo vyčerpávajícího prohledávání mřížky nebo náhodného prohledávání vede pravděpodobnostní náhradní model (surrogate model) hledání optimálních hyperparametrů, čímž dramaticky snižuje počet nákladných vyhodnocení modelu potřebných k dosažení silného prediktivního výkonu.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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. In Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
- Snoek, J., Larochelle, H., & Adams, R. P. (2012). Practical Bayesian optimization of machine learning algorithms. In Advances in Neural Information Processing Systems, 25, 2951–2959. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). LightGBM with Bayesian Hyperparameter Optimization. ScholarGate. https://scholargate.app/cs/machine-learning/bayesian-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.
- Bayesovský XGBoostStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- LightGBMStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →