Çevrimiçi LightGBM
Online / Incremental LightGBM (Light Gradient-Boosting Machine with Streaming Updates) · Ayrıca şöyle bilinir: Incremental LightGBM, LightGBM incremental training, streaming LightGBM, continual LightGBM
Çevrimiçi LightGBM, Light Gradient-Boosting Machine çerçevesini artımlı olarak uygular: tüm eğitim verilerini bir kerede gerektirmek yerine, model mini-yığınlar veya veri parçaları geldikçe güncellenir. Bu, LightGBM'nin verimli histogram tabanlı artırmasının, sıfırdan yeniden eğitmeden akış, sürekli öğrenme ve veri genişletme senaryolarında konuşlandırılmasına olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler bir akışta geldiğinde veya sürekli büyüdüğünde ve sıfırdan tam yeniden eğitim hesaplama açısından imkansız veya gecikmeye duyarlı olduğunda — örneğin dolandırıcılık tespiti, tıklama akışı modellemesi, IoT sensör tahmini veya kaymaya uyum sağlaması gereken öneri işlem hatlarında — Çevrimiçi LightGBM'yi kullanın. Yeni etiketli verilerin düzenli olarak biriktiği ve altta yatan dağılımın kademeli olarak evrildiği durumlarda uygundur. Veri üreten sürecin aniden değiştiği ve eski ağaçların yanıltıcı olabileceği (tam yeniden eğitim veya bir kayma-dedektörü-kapılı sıfırlama tercih edilir) veya veri kümesinin statik olduğu ve belleğe rahatça sığdığı (standart LightGBM o zaman daha az ayarlama yüküyle daha iyi kalibre edilmiş sonuçlar verecektir) durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Tüm modeli sıfırdan yeniden eğitmeden gelişen veri dağılımlarına uyum sağlar.
- LightGBM'nin hızını miras alır: histogram tabanlı bölme ve yaprak-geliş, her mini-yığında verimli kalır.
- Bellek verimliliği: her güncelleme turu için yalnızca yeni mini-yığının belleğe yüklenmesi gerekir.
- Mimari değişiklikleri en aza indirerek akış veya sürekli öğrenme işlem hatlarına doğal olarak entegre olur.
- LightGBM'nin yerleşik kodlaması aracılığıyla kategorik özellikleri yerel olarak destekler, ön işleme yükünü azaltır.
- Felaket birikimi: eski ağaçlar asla budanmaz, bu nedenle topluluk zamanla sınırsız büyür, çıkarım gecikmesini ve bellek kullanımını artırır.
- Küçük mini-yığınlardan gelen gradyan tahminleri gürültülüdür, yığın boyutları çok küçükse kararsız güncellemelere yol açar.
- Hedef fonksiyonunu keskin bir şekilde değiştiren kavram kayması, eski ağaçları yardımcı olmaktan çok zararlı hale getirebilir.
- Unutma için yerleşik mekanizma yok: ADWIN donanımlı çevrimiçi öğrenicilerin aksine, dağılım kayması için otomatik bir algılama veya düzeltme yoktur.
SSS
Çevrimiçi LightGBM, LightGBM'yi birden çok kez çalıştırmaktan nasıl farklıdır?
LightGBM'yi her seferinde sıfırdan çalıştırmak, daha önce öğrenilen modeli atar ve tüm mevcut verilerden yeniden oluşturur, bu da pahalıdır. Çevrimiçi LightGBM, mevcut model kontrol noktasından devam eder, yalnızca yeni veriler için yeni artırma turları ekler, bu da veri hacimleri büyük olduğunda büyüklük mertebeleri daha hızlıdır.
Kavram kaymasıyla nasıl başa çıkmalıyım?
LightGBM'nin yerleşik kayma tespiti yoktur. Modeli istatistiksel bir kayma dedektörü (örneğin, ADWIN, DDM veya Page-Hinkley) ile eşleştirin. Kayma tespit edildiğinde, modeli sıfırlayın ve yalnızca yakın zamandaki veriler üzerinde yeniden eğitin veya büzülme yoluyla eski ağaçların ağırlığını azaltın ve geçici olarak öğrenme oranını artırın.
Her mini-yığın ne kadar büyük olmalı?
Evrensel bir kural yoktur. Daha büyük yığınlar daha kararlı gradyan tahminleri ve daha pürüzsüz güncellemeler sağlar ancak güncelliği azaltır; daha küçük yığınlar daha hızlı uyum sağlar ancak varyans ekler. Pratik bir başlangıç noktası, her sınıftan en az birkaç düzine örnek içerecek kadar büyük bir yığındır.
Model sonsuza kadar büyümeye devam edecek mi?
Evet, periyodik olarak damıtmaz veya budamazsanız. Birçok güncellemeden sonra topluluk çok büyük olabilir. Bir azaltma, toplam ağaç sayısını sınırlamak ve sınır aşıldığında sıfırdan yeniden eğitmektir veya mevcut topluluğu daha küçük bir topluluğa sıkıştırmak için bilgi damıtma kullanmaktır.
Çevrimiçi LightGBM, sınıflandırma kadar regresyon için de kullanılabilir mi?
Evet. Standart LightGBM ile aynı hedefleri destekler — ikili ve çok sınıflı sınıflandırma, regresyon, sıralama ve daha fazlası. Artımlı eğitim prosedürü, kayıp fonksiyonundan bağımsız olarak aynıdır.
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, 30. link ↗
- Bifet, A., & Gavalda, R. (2009). Adaptive Learning from Evolving Data Streams. Advances in Intelligent Data Analysis VIII. Lecture Notes in Computer Science, vol 5772. Springer. DOI: 10.1007/978-3-642-03915-7_22 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online / Incremental LightGBM (Light Gradient-Boosting Machine with Streaming Updates). ScholarGate. https://scholargate.app/tr/machine-learning/online-lightgbm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- LightGBMMakine öğrenmesi↔ karşılaştır
- Online Gradient BoostingMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Online Random Forest (Çevrimiçi Rastgele Orman)Makine öğrenmesi↔ karşılaştır