LightGBM bayésien
LightGBM bayésien combine LightGBM — un cadre de gradient boosting hautement efficace basé sur des histogrammes — avec l'optimisation bayésienne des hyperparamètres. Au lieu d'une recherche exhaustive par grille ou aléatoire, un modèle substitut probabiliste guide la recherche des hyperparamètres optimaux, réduisant considérablement le nombre d'évaluations coûteuses du modèle nécessaires pour atteindre de fortes performances prédictives.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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. In Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
- Snoek, J., Larochelle, H., & Adams, R. P. (2012). Practical Bayesian optimization of machine learning algorithms. In Advances in Neural Information Processing Systems, 25, 2951–2959. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). LightGBM with Bayesian Hyperparameter Optimization. ScholarGate. https://scholargate.app/fr/machine-learning/bayesian-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.
- XGBoost bayésienApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- LightGBMApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →