لایتجیبیام (LightGBM)
لایتجیبیام (LightGBM) پیادهسازی درخت تصمیم گرادیان بوستینگ مایکروسافت است که توسط کِی و همکارانش در سال ۲۰۱۷ معرفی شد. این روش درختان را به صورت برگبهبرگ رشد میدهد و ویژگیها را برای افزایش سرعت به هیستوگرامها تقسیم میکند. در مجموعه دادههای بزرگ، این روش بسیار سریعتر از ایکسجیبوست (XGBoost) است، در حالی که دقت پیشبینی قوی خود را حفظ میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+7 more
منابع
- 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 (NeurIPS) 30, 3146–3154. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/fa/machine-learning/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.
- درخت تصمیمیادگیری ماشین↔ compare
- جنگل ایزوله (Isolation Forest)یادگیری ماشین↔ compare
- رگرسیون لجستیکآمار پژوهش↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →