LightGBM yang Dapat Dijelaskan
LightGBM yang Dapat Dijelaskan menggabungkan kerangka kerja penguatan gradien LightGBM dari Microsoft dengan SHAP (SHapley Additive exPlanations) untuk memberikan kinerja prediktif yang tinggi dan penjelasan tingkat fitur yang ketat dan berlandaskan teori. Ini diadopsi secara luas dalam penelitian terapan di mana akurasi prediktif dan interpretasi diperlukan secara bersamaan.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable LightGBM (LightGBM with SHAP-based Interpretability). ScholarGate. https://scholargate.app/id/machine-learning/explainable-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.
- CatBoostPembelajaran Mesin↔ compare
- Pohon KeputusanPembelajaran Mesin↔ compare
- Peningkatan GradienPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- SHAP (SHapley Additive exPlanations)Pembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →