LightGBM Robusto
LightGBM Robusto es un marco de potenciación de gradiente que combina el motor altamente eficiente LightGBM de Microsoft con funciones de pérdida resistentes a valores atípicos —más comúnmente la pérdida de Huber, cuantil o error absoluto medio— para que las predicciones no se vean indebidamente distorsionadas por observaciones extremas o erróneas. Conserva la velocidad de LightGBM y el crecimiento de árboles por hoja, a la vez que proporciona resistencia al ruido de cola pesada en la variable objetivo.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/es/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.
- CatBoostAprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Regresión de HuberEstadística↔ compare
- LightGBMAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →