Machine learningMachine learning
정규화된 LightGBM
정규화된 LightGBM은 Microsoft의 고효율 그래디언트 부스팅 프레임워크인 LightGBM의 리프 가중치 목적 함수에 L1(lasso) 및 L2(ridge) 페널티 항을 적용하여 모델 복잡성을 제어하고 과적합을 줄이며 고차원이거나 노이즈가 많은 특성 세트를 가진 표 형식 분류 및 회귀 작업에서 일반화 성능을 향상시킵니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/ko/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.
- CatBoost머신러닝↔ compare
- 그래디언트 부스팅머신러닝↔ compare
- LightGBM머신러닝↔ compare
- 정규화된 경사 부스팅머신러닝↔ compare
- XGBoost머신러닝↔ compare