Machine learningMachine learning
Robust LightGBM
Robust LightGBM은 Microsoft의 고효율 LightGBM 엔진에 이상치에 강인한 손실 함수(가장 흔하게는 Huber, quantile, 또는 mean absolute error)를 결합한 그래디언트 부스팅 프레임워크로, 예측값이 극단적이거나 잘못된 관측값에 의해 부당하게 왜곡되지 않도록 합니다. LightGBM의 속도와 leaf-wise 트리 성장을 유지하면서 타겟 변수의 헤비테일 노이즈에 대한 저항성을 제공합니다.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/ko/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.
- CatBoost머신러닝↔ compare
- 그래디언트 부스팅머신러닝↔ compare
- 허버 회귀통계학↔ compare
- LightGBM머신러닝↔ compare
- 랜덤 포레스트머신러닝↔ compare
- XGBoost머신러닝↔ compare