Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# LightGBM
<a name="lightgbm"></a>

[LightGBM](https://lightgbm.readthedocs.io/en/latest/) ist eine beliebte und effiziente Open-Source-Implementierung eines Baumalgorithmus mit Gradient Boosting. GBDT ist ein überwachter Lernalgorithmus, der versucht, eine Zielvariable genau vorherzusagen, indem Schätzungen aus einer Menge einfacherer und schwächerer Modelle kombiniert werden. LightGBM verwendet zusätzliche Techniken, um die Effizienz und Skalierbarkeit herkömmlicher GBDT erheblich zu verbessern. Diese Seite enthält Informationen zu Empfehlungen für Amazon-EC2-Instances und Beispiel-Notebooks für LightGBM.

## Amazon-EC2-Instance-Empfehlung für den LightGBM-Algorithmus
<a name="Instance-LightGBM"></a>

SageMaker AI LightGBM unterstützt derzeit das CPU-Training mit einer oder mehreren Instanzen. Geben Sie für CPU-Training mit mehreren Instanzen (verteiltes Training) einen Wert `instance_count` größer als 1 an, wenn Sie Ihren Wert definieren. ModelTrainer Weitere Informationen zum verteilten Training mit LightGBM finden Sie unter [ Amazon SageMaker AI LightGBM — Verteiltes Training mit Dask. ](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_applying_machine_learning/sagemaker_lightgbm_distributed_training_dask/sagemaker-lightgbm-distributed-training-dask.html)

LightGBM ist ein speichergebundenes Algorithmus (im Gegensatz zu einem rechnergebundenen). Daher ist eine Allzweck-Datenverarbeitungs-Instance (z. B. M5) die bessere Wahl gegenüber einer rechneroptimierten Instance (z. B. C5). Des Weiteren empfehlen wir, dass Sie in ausgewählten Instances genügend Gesamtspeicher zur Verfügung haben, um das Trainingsdaten aufzunehmen. 

## LightGBM-Beispiel-Notebooks
<a name="lightgbm-sample-notebooks"></a>

In der folgenden Tabelle werden verschiedene Beispiel-Notebooks beschrieben, die sich mit verschiedenen Anwendungsfällen des Amazon AI LightGBM-Algorithmus befassen. SageMaker 



| **Titel des Notebooks** | **Beschreibung** | 
| --- | --- | 
| [Tabellarische Klassifizierung mit Amazon SageMaker AI LightGBM und Algorithmus CatBoost ](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Classification_LightGBM_CatBoost.html) | Dieses Notizbuch demonstriert die Verwendung des Amazon SageMaker AI LightGBM-Algorithmus zum Trainieren und Hosten eines tabellarischen Klassifikationsmodells.  | 
| [Tabellarische Regression mit Amazon AI LightGBM und Algorithmus SageMaker CatBoost ](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Regression_LightGBM_CatBoost.html) | Dieses Notizbuch demonstriert die Verwendung des Amazon SageMaker AI LightGBM-Algorithmus zum Trainieren und Hosten eines tabellarischen Regressionsmodells.  | 
| [Amazon SageMaker AI LightGBM — Verteiltes Training mit Dask ](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_applying_machine_learning/sagemaker_lightgbm_distributed_training_dask/sagemaker-lightgbm-distributed-training-dask.html) | Dieses Notizbuch demonstriert verteiltes Training mit dem Amazon SageMaker AI LightGBM-Algorithmus unter Verwendung des Dask-Frameworks. | 

Anweisungen zum Erstellen und Zugreifen auf Jupyter-Notebook-Instances, mit denen Sie das Beispiel in AI ausführen können, finden Sie unter. SageMaker [SageMaker Amazon-Notebook-Instances](nbi.md) Nachdem Sie eine Notebook-Instanz erstellt und geöffnet haben, wählen Sie den ** Tab ** SageMaker AI-Beispiele, um eine Liste aller AI-Beispiele anzuzeigen. SageMaker Zum Öffnen eines Notebooks wählen Sie die Registerkarte **Verwenden** und dann **Kopie erstellen** aus.