Robuuste LightGBM
Robuuste LightGBM is een gradient boosting framework dat Microsoft's zeer efficiënte LightGBM-engine koppelt aan robuuste verliesfuncties die ongevoelig zijn voor uitschieters — meestal Huber, kwantiel of gemiddelde absolute fout — zodat voorspellingen niet onnodig worden vervormd door extreme of foutieve waarnemingen. Het behoudt de snelheid en bladvormige boomgroei van LightGBM, terwijl het weerstand biedt tegen ruis met zware staarten in de doelvariabele.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/nl/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.
- CatBoostMachine learning↔ compare
- Gradient BoostingMachine learning↔ compare
- Huber-regressieStatistiek↔ compare
- LightGBMMachine learning↔ compare
- Random ForestMachine learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →