Robust LightGBM
Robust LightGBM je okvir za pojačanje gradijenta koji spaja Microsoftov visoko učinkovit LightGBM motor s funkcijama gubitka otpornim na odstupanja — najčešće Huberovom funkcijom, kvantilnom funkcijom ili funkcijom srednje apsolutne pogreške — tako da predviđanja nisu neprimjereno iskrivljena ekstremnim ili pogrešnim opažanjima. Zadržava brzinu LightGBM-a i rast stabala po listovima, istovremeno pružajući otpornost na šum u ciljnoj varijabli s teškim repom.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/hr/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.
- CatBoostStrojno učenje↔ compare
- Povećanje gradijentaStrojno učenje↔ compare
- Huberova regresijaStatistika↔ compare
- LightGBMStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →