lgb ne demek?

LightGBM (LGBM) Hakkında

LightGBM (Light Gradient Boosting Machine), Microsoft tarafından geliştirilen ve dağıtılmış, gradyan artırma (gradient boosting) algoritmasına dayalı, hızlı ve yüksek performanslı bir makine öğrenimi çerçevesidir. Özellikle büyük veri kümeleri ve yüksek boyutlu özellik uzayları için optimize edilmiştir.

Temel Özellikleri ve Avantajları:

Hızlı Eğitim Hızı ve Yüksek Verimlilik: LightGBM, histogram tabanlı öğrenme algoritması sayesinde veri önişleme ve eğitim süreçlerini hızlandırır. Verileri daha küçük bölmelere ayırarak, en iyi bölmeyi bulma maliyetini azaltır.
Düşük Bellek Tüketimi: Histogram tabanlı öğrenme, sayısal özellikleri ayrık bölmelere ayırdığı için bellek kullanımını azaltır.
Daha İyi Doğruluk: Yaprak bazlı (leaf-wise) büyüme stratejisi, seviye bazlı (level-wise) büyümeye kıyasla daha karmaşık modeller oluşturarak daha iyi doğruluk sağlar.
GPU Desteği: LightGBM, eğitim sürecini hızlandırmak için GPU'lardan yararlanabilir.
Büyük Veri Desteği: Büyük veri kümeleriyle başa çıkmak için optimize edilmiştir.
Paralel Öğrenme Desteği: Veri ve özellik paralelleştirme tekniklerini kullanarak eğitim sürecini hızlandırır.

Önemli Kavramlar:

Gradyan Artırma (Gradient Boosting): Gradyan Artırma, zayıf öğrenicileri (genellikle karar ağaçları) sıralı olarak birleştirerek daha güçlü bir model oluşturma tekniğidir.
Histogram Tabanlı Öğrenme: Histogram Tabanlı Öğrenme, sayısal özellikleri ayrık bölmelere (histogramlar) ayırarak en iyi bölmeyi bulma sürecini hızlandıran bir yöntemdir.
Yaprak Bazlı Büyüme (Leaf-wise Growth): Yaprak Bazlı Büyüme, her seferinde en büyük kayıp azalmasına neden olan yaprağı büyütme stratejisidir.
Seviye Bazlı Büyüme (Level-wise Growth): Seviye Bazlı Büyüme, her seviyedeki tüm yaprakları aynı anda büyütme stratejisidir.
Aşırı Uyum (Overfitting): Aşırı Uyum, modelin eğitim verilerine çok iyi uyum sağlaması ancak yeni verilerde kötü performans göstermesidir.

Kullanım Alanları:

Sınıflandırma
Regresyon
Sıralama (Ranking)

Özet:

LightGBM, performansı ve verimliliği sayesinde birçok makine öğrenimi uygulamasında tercih edilen bir algoritmadır. Büyük veri kümeleri ve yüksek boyutlu özellik uzaylarıyla çalışırken özellikle avantajlıdır.