Байесовский LightGBM
Байесовский LightGBM сочетает LightGBM — высокоэффективный фреймворк градиентного бустинга на основе гистограмм — с байесовской оптимизацией гиперпараметров. Вместо исчерпывающего полного перебора (grid search) или случайного поиска (random search) вероятностная суррогатная модель направляет поиск оптимальных гиперпараметров, значительно сокращая количество дорогостоящих оценок модели, необходимых для достижения высокой прогностической производительности.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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. In Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
- Snoek, J., Larochelle, H., & Adams, R. P. (2012). Practical Bayesian optimization of machine learning algorithms. In Advances in Neural Information Processing Systems, 25, 2951–2959. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). LightGBM with Bayesian Hyperparameter Optimization. ScholarGate. https://scholargate.app/ru/machine-learning/bayesian-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.
- Байесовский XGBoostМашинное обучение↔ compare
- Градиентный бустингМашинное обучение↔ compare
- LightGBMМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →