관련 기사 바로가기
EarlyEval: 에이전트 평가를 조기에 끝내는 결과 예측CPU 노트북용 보안 추론 엔진 구조CPU 전용 초저지연 비전 트래커Karpathy의 AutoResearch에서 영감을 받은 정형 데이터 실험 자동화 ML 에이전트 구축기Ubiquant 시장 예측 경진대회 6위 솔루션 발표 - Vladimir ArtusFoursquare 위치 매칭 경진대회 2위 솔루션: Team 2:30의 접근 방식XGBoost 및 LightGBM을 위한 진화적 하이퍼파라미터 최적화 도구 'Heosphoros' 공개제스처 분류 모델 최적화 워크플로 공유. 이 글은 동적 JSON에서 중요도 0인 특성을 자동으로 제거하고 성능 지표 기반으로 모델을 개선해나가는 실전 흐름을 다루고 있다. 작성자는 혼동 행렬과 F1 점수 분석을 통해 취약 클래스를 식별한 뒤 XGBoost, LightGBM, Random Forest를 소프트 보팅으로 결합해 F1 0.898 이상을 목표로 삼았다.OTTO 다중 목적 추천 시스템 경진대회 1위 솔루션 발표Kaggle Learning Equality 대회 우승 솔루션: 다국어 교육 커리큘럼 자동 정렬 시스템Home Credit 신용 위험 모델 안정성 경진대회 우승 솔루션: DebtCollectors 팀의 접근법하이퍼파라미터 튜닝 없는 Rust 기반 GBM 라이브러리 'Perpetual' v1.2 업데이트
← 피드로 돌아가기
LightGBM
약 23개 아티클
관심 태그 추가
관련 태그:Best PracticeXGBoostUbiquant Market PredictionICMLTransformerUbiquantEnsemble MethodsKaggleCatBoostRDKit
TIMEHEADLINE
