Regularized LightGBM
Regularized LightGBM pievieno L1 (lasso) un L2 (ridge) sodaudas locekļus LightGBM — Microsoft ļoti efektīvā gradientu pastiprināšanas sistēmā — lapu svērumu mērķa funkcijai, lai kontrolētu modeļa sarežģītību, samazinātu pārpietiekšanu (overfitting) un uzlabotu vispārināšanu (generalization) tabulārās klasifikācijas un regresijas uzdevumos ar augstdimensiju vai trokšņainiem pazīmju kopumiem.
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, 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/lv/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.
- CatBoostMašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- LightGBMMašīnmācīšanās↔ compare
- Regularizēta gradientu pastiprināšanaMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →