LightGBM Robuste
LightGBM Robuste est un cadre d'amplification de gradient qui associe le moteur LightGBM très efficace de Microsoft à des fonctions de perte résistantes aux valeurs aberrantes — le plus souvent la perte de Huber, quantile ou l'erreur absolue moyenne — afin que les prédictions ne soient pas indûment déformées par des observations extrêmes ou erronées. Il conserve la vitesse et la croissance des arbres par feuille de LightGBM tout en offrant une résistance au bruit à queue lourde dans la variable cible.
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, 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/fr/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.
- CatBoostApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Régression de HuberStatistique↔ compare
- LightGBMApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →