เปรียบเทียบวิธี

	ไลท์จีบีเอ็ม	Regularized Decision Tree
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	1984
ผู้ริเริ่ม	Ke, G. et al. (Microsoft)	Breiman, L., Friedman, J., Olshen, R., & Stone, C.
ประเภท	Gradient boosting decision tree ensemble	Supervised learning (regularized tree)
แหล่งต้นตำรับ	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 (NeurIPS) 30, 3146–3154.	Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth. ISBN: 978-0-412-04841-8
ชื่อเรียกอื่น	LightGBM, Light Gradient Boosting Machine, lgbm, leaf-wise gradient boosting	pruned decision tree, cost-complexity pruned tree, penalized decision tree, constrained CART
ที่เกี่ยวข้อง	5	6
สรุป	LightGBM is Microsoft's gradient boosting decision tree implementation, introduced by Ke and colleagues in 2017, that grows trees leaf-wise and bins features into histograms for speed. On large datasets it is much faster than XGBoost while retaining strong predictive accuracy.	A regularized decision tree is a decision tree model whose complexity is intentionally limited through pruning, depth constraints, or penalty terms to prevent overfitting. Rooted in Breiman et al.'s CART framework (1984), regularization converts the greedy tree-growing procedure into a bias-variance tradeoff, yielding models that generalize better to unseen data than fully-grown trees.