LightGBM Robusto
LightGBM Robusto è un framework di gradient boosting che accoppia l'efficiente motore LightGBM di Microsoft con funzioni di perdita resistenti agli outlier — più comunemente Huber, quantilica o errore assoluto medio — in modo che le previsioni non siano indebitamente distorte da osservazioni estreme o errate. Mantiene la velocità di LightGBM e la crescita degli alberi leaf-wise, fornendo al contempo resistenza al rumore a coda pesante nella variabile target.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/it/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.
- CatBoostApprendimento automatico↔ compare
- Gradient BoostingApprendimento automatico↔ compare
- Regressione di HuberStatistica↔ compare
- LightGBMApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →