Regularizirani LightGBM
Regularizirani LightGBM primjenjuje kaznene članove L1 (lasso) i L2 (ridge) na ciljnu funkciju težine listova LightGBM-a — Microsoftovog visoko učinkovitog okvira za gradijentno pojačavanje — kako bi kontrolirao složenost modela, smanjio prekomjerno prilagođavanje i poboljšao generalizaciju na tabličnim zadacima klasifikacije i regresije s visokodimenzionalnim ili bučnim skupovima značajki.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/hr/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.
- CatBoostStrojno učenje↔ compare
- Povećanje gradijentaStrojno učenje↔ compare
- LightGBMStrojno učenje↔ compare
- Regularizirani gradijentni boostingStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →