ツリーベースの学習アルゴリズムを使用する勾配ブースティングフレームワーク。分散処理に対応し、高速な学習速度と低メモリ使用量を実現するように設計されている。
ライトGBM
- Python
- 人工知能と機械学習, データ分析
- 効率, 機械学習, 予測保守アルゴリズム, プロセス最適化, 品質管理, 統計分析
特徴：
- 勾配ブースティング、決定木アンサンブル、大規模データセットに対する高い効率性、低メモリ使用量、カテゴリカル特徴のサポート、並列学習およびGPU学習、過学習を防ぐための正則化手法、高速な学習速度
価格設定：
- 無料
- 非常に高速なトレーニング速度と高い効率性を持ち、大規模なデータセットを適切に処理し、精度が高く、カテゴリカル特徴量を直接サポートし、場合によってはXGBoostなどの他のGBDTライブラリと比較してメモリ使用量が少ない。
- 適切に調整しないと、小規模なデータセットで過学習を起こしやすい。パラメータ調整は複雑になる場合があり、XGBoostよりもコミュニティの規模は小さい（ただし急速に成長している）。
最適な用途:
- 大規模データセットやカテゴリカル特徴が顕著な場合に、高速かつ効率的な勾配ブースティングフレームワークを必要とするデータサイエンティストや機械学習エンジニア向け。