Robust LightGBM
Robust LightGBM to framework gradient boosting, który łączy wysoce efektywny silnik LightGBM firmy Microsoft z funkcjami straty odpornymi na wartości odstające — najczęściej są to Huber, kwantylowa lub średni błąd bezwzględny — dzięki czemu prognozy nie są nadmiernie zniekształcone przez obserwacje ekstremalne lub błędne. Zachowuje on szybkość LightGBM i wzrost drzewa liść po liściu, jednocześnie zapewniając odporność na szum o grubych ogonach w zmiennej docelowej.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/pl/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.
- CatBoostUczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- Regresja HuberaStatystyka↔ compare
- LightGBMUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →