LightGBM en ligne
LightGBM en ligne applique le cadre Light Gradient-Boosting Machine de manière incrémentale : au lieu d'exiger toutes les données d'entraînement en une seule fois, le modèle est mis à jour par mini-lots ou par blocs de données au fur et à mesure de leur arrivée. Cela permet de déployer le boosting efficace basé sur des histogrammes de LightGBM dans des scénarios de streaming, d'apprentissage continu et d'expansion de données sans réentraînement à partir de zéro.
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. Advances in Neural Information Processing Systems, 30. link ↗
- Bifet, A., & Gavalda, R. (2009). Adaptive Learning from Evolving Data Streams. Advances in Intelligent Data Analysis VIII. Lecture Notes in Computer Science, vol 5772. Springer. DOI: 10.1007/978-3-642-03915-7_22 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Online / Incremental LightGBM (Light Gradient-Boosting Machine with Streaming Updates). ScholarGate. https://scholargate.app/fr/machine-learning/online-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.
- Gradient BoostingApprentissage automatique↔ compare
- LightGBMApprentissage automatique↔ compare
- Gradient Boosting en ligneApprentissage automatique↔ compare
- Apprentissage en ligneApprentissage automatique↔ compare
- Forêt aléatoire en ligneApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →