Робусни ЛајтГБМ
Робусни ЛајтГБМ је оквир за градијентно појачавање који комбинује високо ефикасан ЛајтГБМ механизам компаније Мајкрософт са функцијама губитка отпорним на одступања — најчешће Хубер, квантилни или средњи апсолутни грех — тако да предвиђања нису непотребно искривљена екстремним или погрешним посматрањима. Задржава брзину ЛајтГБМ-а и раст дрвећа по листу, истовремено пружајући отпорност на буку у циљној променљивој са тешким реповима.
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/sr/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.
- CatBoostMašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- Huberova regresijaStatistika↔ compare
- LightGBMMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →