라이트GBM은 법원 경매 물건의 낙찰가를 예측하는 얼마써 예상낙찰가 모델 21개 중 하나입니다. 매달 실제 낙찰 결과와 대조해 채점하며, 물건의 조건이 이 모델에 맞을 때 그 값이 예상낙찰가로 채택됩니다. 성적만으로 정하지 않습니다.
| 정식 명칭 | LightGBM |
|---|---|
| 전술 | 속공. 남들이 한 수 둘 때 일곱 수를 둔다 — 오차가 가장 아픈 곳부터 정밀 타격. |
| 강점 | 대지·임야 등 토지 계열 간헐 우승 + 경기장 14승. 연합의 기동력 담당. |
| 약점 | 잎 우선 공격성이 표본 얇은 꼬리 지형에서 과적합으로 돌아온다. |
마이크로소프트 연구소 출신, 2016년 데뷔. 캐글 정형데이터 대회를 XG부스트와 양분해 온 명문. 우리 리그 최고 속도(학습 10초).
잎 단위(leaf-wise) 성장 — 층을 고르게 쌓는 대신 손실 감소가 가장 큰 잎을 골라 깊게 파고든다. 히스토그램 학습으로 연속값을 구간화해 계산량을 줄이고, GOSS(기울기 작은 표본은 일부만 사용)·EFB(동시에 안 나타나는 특성 묶음)로 속도와 메모리를 극한까지 아낀다.
경진대회 정형데이터 단골 우승 도구. 금융 신용평가·사기 탐지·클릭률 예측·추천 랭킹·대규모 분산/GPU 학습까지 실무 표준.
XG부스트와의 세기의 라이벌전 — 세계 무대에선 속도로 앞서고 정밀함으로 겨룬다. 우리 그라운드 실측: LGB 55.2 > XGB 53.0. 캣부스트와는 범주형 처리 철학이 정반대인데 성적은 55.2 동률.
빠르다고 얕보면 안 된다 — 이번 시즌 경기장 14승.
Ke et al. (2017) "LightGBM: A Highly Efficient Gradient Boosting Decision Tree", NeurIPS.
두 가지 근사가 핵심. GOSS: 그래디언트가 큰 표본은 전부, 작은 표본은 일부만 추출해도 정보 이득 추정이 불편(unbiased)에 가깝음을 증명. EFB: 상호배타적 희소 특성 묶음을 그래프 채색 문제로 환원해 특성 수를 압축.
리프 단위(leaf-wise) 성장 — 층을 고르게 쌓는 대신 손실 감소가 최대인 잎을 골라 확장한다. 같은 잎 수에서 더 깊고 비대칭적인 트리가 나와 손실이 빨리 준다.
히스토그램+GOSS+EFB로 대규모 데이터에서 수 배~수십 배 학습 가속(본 리그 실측 최고 속도). leaf-wise는 소표본에서 과적합 위험.
캐글 정형데이터 대회의 양대 표준. 원 논문 인용 2만+회.
전체 모델 보기 → 경매 물건에서 예상낙찰가 확인하기 →
얼마써 — 사건번호만 입력하면 법원경매 물건의 예상낙찰가를 AI가 계산합니다. 여러 방식이 낸 값을 실제 낙찰가와 매달 대조해 검증합니다. 입찰가 결정은 경매 참여자 본인의 판단이며, 예상낙찰가는 통계 기반 참고치입니다. 입찰 전 법원 공고와 현장을 반드시 확인하세요.