Regularized LightGBM
Regularized LightGBM aplica termos de penalidade L1 (lasso) e L2 (ridge) à função objetivo de peso de folha do LightGBM — o framework de gradient boosting altamente eficiente da Microsoft — para controlar a complexidade do modelo, reduzir o overfitting e melhorar a generalização em tarefas de classificação e regressão tabulares com conjuntos de características de alta dimensionalidade ou ruidosos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/pt/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.
- CatBoostAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- LightGBMAprendizado de máquina↔ compare
- Gradient Boosting RegularizadoAprendizado de máquina↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →