Tiešsaistes LightGBM
Tiešsaistes LightGBM (Online LightGBM) piemēro Light Gradient-Boosting Machine (Gaismas gradientu pastiprināšanas mašīnas) sistēmu inkrementāli: tā vietā, lai pieprasītu visus apmācības datus vienlaicīgi, modelis tiek atjaunināts mini-partijās vai datu daļās, tām pienākot. Tas ļauj izmantot LightGBM efektīvo uz histogrammām balstīto pastiprināšanu straumēšanas, nepārtrauktas apmācības un datu paplašināšanas scenārijos, netrenējot no jauna.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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. link ↗
- Bifet, A., & Gavalda, R. (2009). Adaptive Learning from Evolving Data Streams. Advances in Intelligent Data Analysis VIII. Lecture Notes in Computer Science, vol 5772. Springer. DOI: 10.1007/978-3-642-03915-7_22 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online / Incremental LightGBM (Light Gradient-Boosting Machine with Streaming Updates). ScholarGate. https://scholargate.app/lv/machine-learning/online-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.
- Gradient BoostingMašīnmācīšanās↔ compare
- LightGBMMašīnmācīšanās↔ compare
- Tiešsaistes gradientu pastiprināšanaMašīnmācīšanās↔ compare
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Tiešsaistes nejaušais mežsMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →