Robustais LightGBM
Robustais LightGBM ir gradientu pastiprināšanas sistēma, kas apvieno Microsoft ļoti efektīvo LightGBM dzinēju ar pretizgāzēm noturīgiem zudumu funkciju — visbiežāk Hjubera, kvantiļu vai vidējās absolūtās kļūdas —, lai prognozes nebūtu nepamatoti izkropļotas ar ekstrēmām vai kļūdainām novērojumiem. Tā saglabā LightGBM ātrumu un lapu augšanas koku veidošanu, vienlaikus nodrošinot noturību pret smagām astes troksni mērķa mainīgajā.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/lv/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.
- CatBoostMašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Hjūbera regresijaStatistika↔ compare
- LightGBMMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →