Regularized LightGBM
Regularized LightGBM soveltaa L1- (lasso) ja L2- (ridge) regularisointitermejä LightGBM:n — Microsoftin erittäin tehokkaan gradienttivahvistuskehyksen — lehtipainojen optimointifunktioon mallin kompleksisuuden hallitsemiseksi, ylisovittamisen vähentämiseksi ja yleistymiskyvyn parantamiseksi taulukkomuotoisissa luokittelu- ja regressiotehtävissä, joissa on korkeaulotteisia tai kohinaisia piirrejoukkoja.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/fi/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.
- CatBoostKoneoppiminen↔ compare
- Gradient BoostingKoneoppiminen↔ compare
- LightGBMKoneoppiminen↔ compare
- Regularisoitu gradienttivahvistusKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →