Robust LightGBM
Robust LightGBM on gradienttiputuksen viitekehys, joka yhdistää Microsoftin erittäin tehokkaan LightGBM-moottorin ja poikkeamia kestävät häviöfunktiot – yleisimmin Huberin, kvantiilin tai keskimääräisen absoluuttisen virheen – jotta ennusteet eivät vääristyisi kohtuuttomasti äärimmäisten tai virheellisten havaintojen vuoksi. Se säilyttää LightGBM:n nopeuden ja lehtikohtaisen puun kasvun samalla kun se tarjoaa kestävyyttä kohdemuuttujan raskashäntäiselle kohinalle.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/fi/machine-learning/robust-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
- Huber-regressioTilastotiede↔ compare
- LightGBMKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →