Machine learningMachine learning
ロバストLightGBM
ロバストLightGBMは、Microsoftの非常に効率的なLightGBMエンジンに外れ値に強い損失関数（最も一般的にはフーバー損失、分位点損失、または平均絶対誤差）を組み合わせた勾配ブースティングフレームワークであり、予測が極端または誤った観測値によって不当に歪められるのを防ぎます。LightGBMの速度と葉単位の木成長を維持しながら、目的変数におけるヘビーテイルノイズに対する耐性を提供します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/ja/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.
- CatBoost機械学習↔ compare
- 勾配ブースティング機械学習↔ compare
- Huber回帰統計学↔ compare
- LightGBM機械学習↔ compare
- ランダムフォレスト機械学習↔ compare
- XGBoost機械学習↔ compare