Online LightGBM
Online LightGBM anvender Light Gradient-Boosting Machine-rammeverket inkrementelt: i stedet for å kreve alle treningsdata samtidig, oppdateres modellen i minibatch-er eller databiter etter hvert som de kommer inn. Dette gjør at LightGBMs effektive histogram-baserte boosting kan tas i bruk i strømme-, kontinuerlig-lærings- og datautvidelsesscenarioer uten å måtte trene på nytt fra bunnen av.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Online / Incremental LightGBM (Light Gradient-Boosting Machine with Streaming Updates). ScholarGate. https://scholargate.app/no/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 BoostingMaskinlæring↔ compare
- LightGBMMaskinlæring↔ compare
- Online Gradient BoostingMaskinlæring↔ compare
- Online læringMaskinlæring↔ compare
- Online Random ForestMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →