Regularized LightGBM
Regularized LightGBM aplikuje penalizační členy L1 (lasso) a L2 (ridge) na účelovou funkci váh listů v rámci LightGBM — vysoce efektivního frameworku pro gradient boosting od společnosti Microsoft — za účelem kontroly složitosti modelu, snížení přeučení a zlepšení generalizace u tabulkových klasifikačních a regresních úloh s vysokodimenzionálními nebo zašuměnými množinami příznaků.
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, 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/cs/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.
- CatBoostStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- LightGBMStrojové učení↔ compare
- Regularizované gradientní posilováníStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →