Online LightGBM
Online LightGBM rakendab Light Gradient-Boosting Machine raamistikku inkrementaalselt: selle asemel, et nõuda kogu treeningandmeid korraga, värskendatakse mudelit mini-partiides või andmeosades nende saabumisel. See võimaldab LightGBM-i tõhusat histogrammipõhist võimendamist kasutada voogesituse, pideva õppimise ja andmete laiendamise stsenaariumides ilma algusest peale uuesti treenimata.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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. link ↗
- Bifet, A., & Gavalda, R. (2009). Adaptive Learning from Evolving Data Streams. Advances in Intelligent Data Analysis VIII. Lecture Notes in Computer Science, vol 5772. Springer. DOI: 10.1007/978-3-642-03915-7_22 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Online / Incremental LightGBM (Light Gradient-Boosting Machine with Streaming Updates). ScholarGate. https://scholargate.app/et/machine-learning/online-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.
- Gradient BoostingMasinõpe↔ compare
- LightGBMMasinõpe↔ compare
- Võrgus gradient-boostimineMasinõpe↔ compare
- Veebipõhine õpeMasinõpe↔ compare
- Võrgu-juhuslik metsMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →