LightGBM
Light Gradient Boosting Machine · Ayrıca şöyle bilinir: LightGBM, Light Gradient Boosting Machine, lgbm, leaf-wise gradient boosting
LightGBM, Microsoft tarafından 2017'de Ke ve arkadaşları tarafından tanıtılan, ağaçları yaprak-bazlı (leaf-wise) büyüten ve hız için öznitelikleri histogramlara bölen bir gradyan artırma karar ağacı (gradient boosting decision tree) uygulamasıdır. Büyük veri kümelerinde, güçlü tahmin doğruluğunu korurken XGBoost'tan çok daha hızlıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+6 tane daha
Ne zaman kullanılır
Sürekli, kategorik, ikili veya sıralı özniteliklere ve en az yaklaşık 200 gözleme sahip büyük tablosal veri kümeleri için tahmin, sınıflandırma ve öngörü (forecasting) için güçlü bir seçenektir — kesitsel (cross-sectional), panel veya zaman serisi (time-series) veriler. Eğitim hızı ve ölçeğin önemli olduğu ve düzenleme parametrelerini ayarlayabildiğiniz durumlarda en değerlidir. Yaklaşık 200 gözlemin altında, yaprak-bazlı büyüme aşırı uyuma eğilimindedir ve XGBoost gibi seviye-bazlı bir yöntem veya daha kararlı bir Rastgele Orman (Random Forest) daha güvenlidir.
Güçlü yönler & sınırlılıklar
- Histogram tabanlı ayırma sayesinde büyük veri kümelerinde XGBoost'tan çok daha hızlıdır.
- Yaprak-bazlı büyüme hızlı yakınsar ve genellikle yüksek doğruluk elde eder.
- Kategorik öznitelikleri manuel tek-sıcak kodlama olmadan doğrudan işler.
- Kesitsel, panel ve zaman serisi verilerinde tahmin, sınıflandırma ve öngörü için çalışır.
- Yaprak-bazlı büyüme, dikkatlice düzenlenmediği takdirde küçük örneklerde aşırı uyuma neden olur.
- Karmaşıklığı kontrol etmek için num_leaves ve min_data_in_leaf ayarlarının yapılması gerekir.
- Yaklaşık 200 gözlemin altındaki veri kümelerinde seviye-bazlı bir yöntem (XGBoost) veya Rastgele Orman daha güvenilirdir.
- Diğer artırılmış ağaçlar (boosted trees) gibi, doğrudan yorumlanabilir katsayıları olmayan bir kara kutudur.
SSS
LightGBM, XGBoost'tan nasıl farklıdır?
Her ikisi de gradyan artırma karar ağacı kütüphaneleridir. LightGBM, histogram tabanlı ayırma ve yaprak-bazlı (en iyi-ilk) ağaç büyümesi kullanır, bu da onu büyük veri kümelerinde çok daha hızlı yapar. XGBoost seviye-bazlı büyür, bu da genellikle küçük örneklerde daha güvenlidir.
LightGBM neden küçük veri kümelerinde aşırı uyuma neden olur?
Yaprak-bazlı büyümesi her zaman en büyük kazancı sağlayan yaprağı ayırır, bu da veriyi boyutuna göre çok fazla yaprağa ayırabilir. Küçük örneklerde (yaklaşık 200 gözlemin altında) bu ciddi aşırı uyuma yol açar, bu nedenle seviye-bazlı bir yöntem veya Rastgele Orman önerilir.
Kategorik değişkenleri tek-sıcak kodlamam gerekir mi?
Hayır. LightGBM kategorik öznitelikleri doğrudan alabilir, bu nedenle manuel tek-sıcak kodlama genellikle gereksizdir ve hatta performansı düşürebilir.
Aşırı uyumu hangi ayarlar kontrol eder?
Yaprak sayısı (num_leaves) ve yaprak başına minimum veri (min_data_in_leaf), temel düzenleme kontrolleridir; bunları sıkılaştırmak, veri boyutuna göre ağaç karmaşıklığını sınırlar.
Kaynaklar
- 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. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/tr/machine-learning/lightgbm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır