Robustní LightGBM
Robustní LightGBM je framework pro gradient boosting, který kombinuje vysoce efektivní engine LightGBM od Microsoftu s robustními ztrátovými funkcemi odolnými vůči odlehlým hodnotám – nejčastěji Huberovou, kvantilovou nebo střední absolutní chybou – aby predikce nebyly nepřiměřeně zkresleny extrémními nebo chybnými pozorováními. Zachovává si rychlost LightGBM a růst stromů po listech, přičemž poskytuje odolnost vůči šumu s těžkými chvosty v cílové proměnné.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/cs/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.
- CatBoostStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Huberova regreseStatistika↔ compare
- LightGBMStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →