Robust LightGBM
Robust LightGBM er et gradient boosting-framework, der kombinerer Microsofts yderst effektive LightGBM-motor med outlier-resistente tabsfunktioner — oftest Huber, kvantil eller mean absolute error — så forudsigelser ikke fordrejes unødigt af ekstreme eller fejlagtige observationer. Det bevarer LightGBMs hastighed og blad-vise trævækst, samtidig med at det giver modstandsdygtighed over for støj med tung hale i målvariablen.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/da/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.
- CatBoostMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Huber-regressionStatistik↔ compare
- LightGBMMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →