LightGBM Regularizzato
LightGBM Regularizzato applica termini di penalità L1 (lasso) e L2 (ridge) all'obiettivo del peso delle foglie di LightGBM — il framework di gradient boosting altamente efficiente di Microsoft — per controllare la complessità del modello, ridurre l'overfitting e migliorare la generalizzazione su compiti di classificazione e regressione tabellare con set di feature ad alta dimensionalità o rumorosi.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/it/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.
- CatBoostApprendimento automatico↔ compare
- Gradient BoostingApprendimento automatico↔ compare
- LightGBMApprendimento automatico↔ compare
- Gradient Boosting RegolarizzatoApprendimento automatico↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →