Robust LightGBM
Robust LightGBM คือเฟรมเวิร์กการเพิ่มประสิทธิภาพแบบไล่ระดับ (gradient boosting) ที่ผสานเอนจิ้น LightGBM ประสิทธิภาพสูงของ Microsoft เข้ากับฟังก์ชันการสูญเสีย (loss functions) ที่ทนทานต่อค่าผิดปกติ (outlier-resistant) — โดยทั่วไปคือ Huber, quantile, หรือ mean absolute error — เพื่อให้การทำนายไม่ถูกบิดเบือนโดยการสังเกตการณ์ที่รุนแรงหรือผิดพลาดจนเกินไป โดยยังคงรักษาความเร็วของ LightGBM และการเติบโตของต้นไม้แบบ leaf-wise ในขณะที่ให้ความทนทานต่อสัญญาณรบกวนที่มีหางหนา (heavy-tailed noise) ในตัวแปรเป้าหมาย
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 ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust LightGBM (Light Gradient Boosting Machine with Robust Loss Functions). ScholarGate. https://scholargate.app/th/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.
- CatBoostการเรียนรู้ของเครื่อง↔ compare
- การเสริมกำลังไล่ระดับการเรียนรู้ของเครื่อง↔ compare
- การถดถอยแบบฮิวเบอร์ (Huber Regression)สถิติศาสตร์↔ compare
- ไลท์จีบีเอ็มการเรียนรู้ของเครื่อง↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare