Robust LightGBM
Robust LightGBM é um framework de gradient boosting que combina o motor altamente eficiente LightGBM da Microsoft com funções de perda resistentes a outliers — mais comumente Huber, quantil ou erro absoluto médio — para que as previsões não sejam indevidamente distorcidas por observações extremas ou errôneas. Ele mantém a velocidade e o crescimento de árvore folha-a-folha do LightGBM, ao mesmo tempo que fornece resistência a ruído de cauda pesada na variável alvo.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Como citar esta página
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/pt/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.
- CatBoostAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- Regressão de HuberEstatística↔ compare
- LightGBMAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →