Κανονικοποιημένο LightGBM
Το Κανονικοποιημένο LightGBM εφαρμόζει όρους ποινής L1 (lasso) και L2 (ridge) στην αντικειμενική συνάρτηση των βαρών φύλλων του LightGBM — του εξαιρετικά αποδοτικού πλαισίου gradient boosting της Microsoft — για τον έλεγχο της πολυπλοκότητας του μοντέλου, τη μείωση της υπερπροσαρμογής και τη βελτίωση της γενίκευσης σε εργασίες ταξινομητικής και παλινδρόμησης πινάκων με σύνολα χαρακτηριστικών υψηλής διάστασης ή θορυβωδών χαρακτηριστικών.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/el/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.
- CatBoostΜηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- LightGBMΜηχανική Μάθηση↔ compare
- Κανονικοποιημένη Ενίσχυση ΚλίσηςΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →