Regularized LightGBM
Regularized LightGBM stosuje kary L1 (lasso) i L2 (ridge) do funkcji celu wag liści w LightGBM — wysoce wydajnym frameworku gradient boosting firmy Microsoft — w celu kontrolowania złożoności modelu, redukcji nadmiernego dopasowania i poprawy generalizacji w zadaniach klasyfikacji i regresji na danych tabelarycznych z zestawami cech o wysokiej wymiarowości lub zaszumionych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/pl/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.
- CatBoostUczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- LightGBMUczenie maszynowe↔ compare
- Uregulowany gradientowy boostingUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →