Regularizált LightGBM
A regularizált LightGBM L1 (lasso) és L2 (ridge) büntetőtagokat alkalmaz a LightGBM – a Microsoft rendkívül hatékony gradiens boosting keretrendszere – levélsúly-célfüggvényére, hogy szabályozza a modell komplexitását, csökkentse a túltanulást, és javítsa az általánosítást magas dimenziójú vagy zajos jellemzőkészletekkel rendelkező táblázatos osztályozási és regressziós feladatokon.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/hu/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.
- CatBoostGépi tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- LightGBMGépi tanulás↔ compare
- Regularizált Gradient BoostingGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →