Robust LightGBM
Robust LightGBM är ett ramverk för gradient boosting som kombinerar Microsofts högeffektiva LightGBM-motor med robusta förlustfunktioner som är motståndskraftiga mot extremvärden – oftast Huber, kvantil eller medelabsolut fel – så att prediktioner inte snedvrids i onödan av extrema eller felaktiga observationer. Det bibehåller LightGBMs hastighet och löv-baserade träd-tillväxt samtidigt som det ger motståndskraft mot brus i målvariabeln med tung svans.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/sv/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.
- CatBoostMaskininlärning↔ compare
- Gradient BoostingMaskininlärning↔ compare
- HuberregressionStatistik↔ compare
- LightGBMMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →