Regularizovaný LightGBM
Regularizovaný LightGBM aplikuje L1 (lasso) a L2 (ridge) penalizačné členy na cieľovú funkciu váh listov v LightGBM — vysoko efektívnom frameworku gradient boosting od spoločnosti Microsoft — na kontrolu zložitosti modelu, zníženie preučenia a zlepšenie generalizácie pri tabuľkových klasifikačných a regresných úlohách s vysokodimenzionálnymi alebo šumovými množinami príznakov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/sk/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.
- CatBoostStrojové učenie↔ compare
- Gradient BoostingStrojové učenie↔ compare
- LightGBMStrojové učenie↔ compare
- Regularizované zosilňovanie gradientuStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →