ES
Iniciar sesiónEmpezar
Glosario

LightGBM

¿Qué es LightGBM?

LightGBM es una biblioteca de código abierto para gradient boosting con árboles de decisión, desarrollada originalmente por Microsoft. Está pensada para ser rápida y usar poca memoria, entre otras cosas gracias al entrenamiento basado en histogramas y a árboles que crecen hoja a hoja a partir de la más prometedora. Es especialmente adecuada para grandes conjuntos de datos tabulares, como previsiones de ventas, predicción de bajas o detección de fraude, y suele compararse con XGBoost.

Temas

  • Gradient boosting
  • Datos tabulares
  • Código abierto

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo
← Todos los términos

Términos relacionados

Gradient boosting (potenciación del gradiente)

El gradient boosting es una técnica de aprendizaje automático que combina, uno tras otro, muchos modelos sencillos, normalmente pequeños árboles de decisión. Cada nuevo árbol se entrena para reducir los errores que dejaron los anteriores. Así se obtienen modelos muy precisos para datos tabulares, por ejemplo para riesgo de crédito, previsión de ventas o probabilidad de abandono. Implementaciones conocidas son XGBoost, LightGBM y CatBoost; hace falta un ajuste cuidadoso para evitar el sobreajuste.

  • Aprendizaje automático
  • Método de ensamble
  • +1

XGBoost

XGBoost (Extreme Gradient Boosting) es una biblioteca de código abierto que implementa de forma especialmente eficiente el gradient boosting con árboles de decisión. Se entrenan muchos árboles pequeños uno tras otro, cada uno corrigiendo los errores de los anteriores, y la regularización ayuda a evitar el sobreajuste. XGBoost es una opción probada para datos tabulares, por ejemplo para evaluar riesgo crediticio o prever bajas de clientes o ventas.

  • Machine learning
  • Boosting
  • +1

Árbol de decisión

Un árbol de decisión es un modelo que representa una decisión como una secuencia de preguntas sencillas de sí o no: cada rama comprueba una característica y cada hoja da un resultado. En el aprendizaje automático, estos árboles se aprenden a partir de datos y se usan para clasificar o predecir. Su gran ventaja es que se entienden fácilmente, por ejemplo para ver por qué se marcó una solicitud de crédito según ingresos, plazo e historial de pagos.

  • Aprendizaje automático
  • Clasificación
  • +1

Boosting

El boosting es un método de conjunto en aprendizaje automático en el que se entrenan muchos modelos sencillos uno tras otro: cada nuevo modelo se centra en los casos en que fallaron los anteriores. Juntos forman un modelo global mucho más preciso. Variantes conocidas son AdaBoost y el gradient boosting, con bibliotecas como XGBoost o LightGBM. El boosting destaca con datos tabulares, por ejemplo en previsiones de riesgo crediticio, ventas o bajas de clientes.

  • Métodos de conjunto
  • Aprendizaje automático
  • +1