Данный тезис исследует применение методов градиентного бустинга в AutoML фреймворках, фокусируясь на внедрении XGBoost, LightGBM и CatBoost в FEDOT. Обсуждаются преимущества каждого фреймворка и выявляются потребности в улучшениях. В сравнении с AutoGluon и LightAutoML, проведенном в анализе, отмечается некоторое снижение эффективности бустинговых моделей в FEDOT. Различия в метриках обсуждаются с учетом особенностей реализации алгоритмов и внутренних механизмов фреймворков. Заключение подчеркивает важность анализа этих различий для последующего улучшения FEDOT и достижения более высоких результатов.
Харьковской Р.Р., Стебеньков А.С. (науч. рук. Никитин Н.О.) Применение методов градиентного бустинга в фреймворках автоматического машинного обучения // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2024]. URL: https://kmu.itmo.ru/digests/article/13687