Устойчивый LightGBM
Robust LightGBM — это фреймворк градиентного бустинга, который сочетает высокоэффективный движок LightGBM от Microsoft с устойчивыми к выбросам функциями потерь — чаще всего функцией Хьюбера, квантильной или средней абсолютной ошибкой — чтобы предсказания не искажались чрезмерно экстремальными или ошибочными наблюдениями. Он сохраняет скорость LightGBM и рост деревьев по листьям, обеспечивая при этом устойчивость к шуму с тяжелыми хвостами в целевой переменной.
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. 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/ru/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.
- CatBoostМашинное обучение↔ compare
- Градиентный бустингМашинное обучение↔ compare
- Регрессия ХубераСтатистика↔ compare
- LightGBMМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →