Regularized LightGBM
Regularized LightGBM rakendab L1 (lasso) ja L2 (ridge) karistustermineid LightGBM-i lehtede kaalude sihtfunktsioonile – Microsofti väga tõhusa gradienttugevdusraamistiku – mudeli keerukuse kontrollimiseks, üleõppimise vähendamiseks ja generaliseeruvuse parandamiseks tabelandmete klassifikatsiooni- ja regressiooniülesannetes, kus esineb kõrgedimensionaalseid või mürarikkad tunnuseid.
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, 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/et/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.
- CatBoostMasinõpe↔ compare
- Gradient BoostingMasinõpe↔ compare
- LightGBMMasinõpe↔ compare
- Reguleeritud gradienttugevdusMasinõpe↔ compare
- XGBoostMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →