لایتجیبیام منظمشده (Regularized LightGBM)
لایتجیبیام منظمشده (Regularized LightGBM) از جملات جریمه L1 (لَسو) و L2 (ریج) برای تابع هدف وزن برگهای LightGBM — چارچوب تقویت گرادیان بسیار کارآمد مایکروسافت — استفاده میکند تا پیچیدگی مدل را کنترل کرده، از بیشبرازش (overfitting) جلوگیری کند و تعمیمپذیری (generalization) را در وظایف طبقهبندی و رگرسیون جدولی با مجموعهویژگیهای پربعد یا نویزدار بهبود بخشد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
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, 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/fa/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.
- CatBoostیادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- لایتجیبیام (LightGBM)یادگیری ماشین↔ compare
- تقویت گرادیان منظمشدهیادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →