Регуларизовани LightGBM
Регуларизовани LightGBM примењује L1 (lasso) и L2 (ridge) казнене термине на циљну функцију тежине листова LightGBM — високо ефикасног оквира за градијентно појачавање компаније Microsoft — како би контролисао сложеност модела, смањио прекомерно прилагођавање и побољшао генерализацију на табеларним задацима класификације и регресије са високодимензионалним или шумним скуповима карактеристика.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/sr/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.
- CatBoostMašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- LightGBMMašinsko učenje↔ compare
- Регуларизовано појачање градијентаMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →