Regularized LightGBM
Regularized LightGBM wendet L1- (Lasso) und L2- (Ridge) Strafterme auf die Blattgewicht-Zielfunktion von LightGBM – Microsofts hochperformantes Gradient-Boosting-Framework – an, um die Modellkomplexität zu kontrollieren, Überanpassung zu reduzieren und die Generalisierung bei tabellarischen Klassifikations- und Regressionsaufgaben mit hochdimensionalen oder verrauschten Merkmalsmengen zu verbessern.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/de/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.
- CatBoostMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- LightGBMMaschinelles Lernen↔ compare
- Regularisiertes Gradient BoostingMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →