Бэггинг против бустинга: Бэггинг расшифровывается как «начальная агрегация». Он работает путем создания нескольких самозагруженных выборок обучающих данных и обучения модели на каждой выборке. Прогнозы моделей затем усредняются для создания окончательного прогноза. Бэггинг помогает уменьшить дисперсию модели, что может помочь предотвратить переоснащение. Повышение означает «итеративное повышение». Он работает путем создания последовательности моделей, где каждая модель обучается..

Light GBM — это алгоритм обучения на основе дерева, в котором деревья растут по листам (горизонтально) по сравнению с другими моделями, которые растут по уровням. Высокая точность: он выращивается на листе с наибольшими потерями и сможет уменьшить больше потерь, чем уровневая модель. Быстро: высокая производительность и требует меньше памяти для работы Работает на графическом процессоре Склонен к переоснащению: не подходит для наборов данных ‹10 000 Так много гиперпараметров для..