Дрінь, СвітланаВербівська, Юлія2024-03-252024-03-252023https://ekmair.ukma.edu.ua/handle/123456789/28372У цій роботі ми досліджували метод легкого градієнтного бустінгу (LightGBM), що є швидким та ефективним ансамблевим методом ML, який використовує дерева рішень у ролі слабких учнів та має у своїй основі алгоритм градієнтного спуску. Також було наведено результати симуляції роботи LightGBM на реальних даних з використанням мови програмування Python. LightGBM – це потужний та популярний засіб машинного навчання, що застосовується, як для задач класифікації, так і для задач регресії у багатьох сферах. Основні переваги використання даного алгоритму полягають у наступному: підвищені швидкість та точність Техніки, що використовуються у LightGBM значно пришвидшують його роботу та точність; менший об’єм необхідної для роботи пам’яті; за допомогою технік групування, що застосуються у LightGBM, зменшується й об’єм необхідної пам’яті; LightGBM сумісний з наборами даних, що мають велику кількість спостережень та факторів.ukогляд градієнтного бустінгуGradient Boosting Machineструктура дерев рішеньGradient-based One-Side SampleCARTкурсова роботаOther