LightGBM แบบ Regularized
LightGBM แบบ Regularized จะใช้เทอมการปรับโทษ L1 (lasso) และ L2 (ridge) กับวัตถุประสงค์ของน้ำหนักใบ (leaf weight objective) ของ LightGBM ซึ่งเป็นเฟรมเวิร์กการบูสต์แบบเกรเดียนต์ที่มีประสิทธิภาพสูงของ Microsoft เพื่อควบคุมความซับซ้อนของโมเดล ลดการเกิดโอเวอร์ฟิตติ้ง และปรับปรุงความสามารถในการสรุปผลบนงานการจำแนกประเภทและการถดถอยของข้อมูลแบบตารางที่มีชุดคุณลักษณะที่มีมิติสูงหรือมีสัญญาณรบกวน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Regularized Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/th/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.
- CatBoostการเรียนรู้ของเครื่อง↔ compare
- การเสริมกำลังไล่ระดับการเรียนรู้ของเครื่อง↔ compare
- ไลท์จีบีเอ็มการเรียนรู้ของเครื่อง↔ compare
- การเพิ่มกำลังไล่ระดับแบบปรับให้เหมาะสมการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare