Online LightGBM
Online LightGBM aplikuje rámec Light Gradient-Boosting Machine inkrementálně: namísto vyžadování všech trénovacích dat najednou je model aktualizován v mini-dávkách nebo datových blocích, jakmile dorazí. To umožňuje efektivní histogramové posilování (boosting) LightGBM nasadit ve scénářích streamování, kontinuálního učení a rozšiřování dat bez nutnosti přeškolování od začátku.
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. Advances in Neural Information Processing Systems, 30. link ↗
- Bifet, A., & Gavalda, R. (2009). Adaptive Learning from Evolving Data Streams. Advances in Intelligent Data Analysis VIII. Lecture Notes in Computer Science, vol 5772. Springer. DOI: 10.1007/978-3-642-03915-7_22 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Online / Incremental LightGBM (Light Gradient-Boosting Machine with Streaming Updates). ScholarGate. https://scholargate.app/cs/machine-learning/online-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.
- Gradient BoostingStrojové učení↔ compare
- LightGBMStrojové učení↔ compare
- Online Gradient BoostingStrojové učení↔ compare
- Online LearningStrojové učení↔ compare
- Online Random ForestStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →