sorodni izrazi in sinonimi v sodobni slovenščini, hrvaščini in srbščini
Podobnost besed in fraz med rezultati je odvisna od tega, kolikokrat se beseda
ali fraza pojavi v podobnem stavčnem kontekstu kot "lightgbm".
Podobni izrazi in sinonimi za
Kliknite za poizvedbo
Pogosto skupaj z
Primeri iz korpusa
Korpus Common Crawl
Common Crawl je korpus spletnih strani
LightGBM boljše rezultate dosega z dodajanjem listov, saj lahko učinkovitejše zmanjšamo funkcijo izgube z izbiro lista z največjo spremembo.
LightGBM namesto širjenja ravni dreves izboljšuje rezultate z dodajanjem novih listov na mestih, ki imajo največji potencial za izboljšanje modela (slika 4.6).
Modeli, ki so imeli boljšo napovedno moč v primerjavi z modelom logistične regresije, so bili modeli odločitvenih dreves, naključnih gozdov in LightGBM.
Menim, da bi lahko banka z minimalno časovno investicijo oblikovala modela LightGBM ali odločitvenih dreves, ki bi imela zelo dobro napovedno moč.
Ena od prednosti LightGBM je tudi nizka poraba pomnilnika in računske moči, kar omogoča učinkovitejše delo z večjimi in visokodimenzionalnimi nabori podatkov.
Za izvedbo klasifikacije nekaterih izbranih drevesnih vrst na nacionalni ravni z uporabo časovnih vrst in metode LightGBM sem potrebovala deset dni.
Največja prednost metode LightGBM je v učinkovitosti, kar pomeni, da lahko uporabimo več podatkov, preizkusimo več konfiguracij in pridobimo rezultate hitreje.
Vendar tudi LightGBM ne izkorišča časovne dimenzije podatkov, zato smo v disertaciji uporabili še metode globokega učenja (angl. deep learning).
Metodi logistična regresija in LightGBM, ki temeljita na klasičnih metodah strojnega učenja, sta dosegli dobre rezultate kljub šumu v oznakah.
Tukaj bi posebno izpostavili modela z uporabo naključnih gozdov in LightGBM, ki sta z vsakega vidika vrnila boljše rezultate.
Metoda LightGBM ni primerna za nadgradnjo s prostorsko informacijo, saj struktura atributov ne vpliva na končno uspešnost modela.
Kljub temu da LightGBM izvaja avtomatsko izbiro značilnosti, ostaja uspešnost modela odvisna od kakovosti in informativnosti vhodnih podatkov.
Že z izborom kazalnikov, ki bi bili prilagojeni pomembnosti modela LightGBM, bi lahko ta rezultat bistveno izboljšali.
Izziv klasifikacije z algoritmi strojnega učenja, tudi LightGBM, predstavljajo neuravnotežene množice učnih podatkov oziroma neuravnotežena porazdelitev razredov.
Če so nekatere značilnosti manj informativne ali redundantne, lahko LightGBM generira odločitvena drevesa, ki niso optimalna.
Edina dva modela, ki sta imela popolno uravnovešeni vrednosti meritev, sta modela naključnih gozdov in LightGBM.
Top-𝑘 značilk glede na pomembnost v modelu LightGBM z normaliziranima značilkama normTime in normAmount.
LightGBM je dosegel boljše rezultate v metrikah utežene natančnosti, uteženega priklica in Jaccard mikro metrike.
Z metodo LightGBM smo primerjali uspešnost ločevanja med tipi poljščin na podlagi posameznih celic.
Rezultat pri LightGBM in naključnem gozdu je bil enak, pri ostalih modelih pa slabši.