一种融合LightGBM与TabNet自适应特征处理的小样本回归方法

本发明涉及机器学习技术领域，具体涉及一种融合LightGBM与TabNet自适应特征处理的小样本回归方法；包括：获取UCI回归数据集的原始特征矩阵和原始目标变量；通过TabNet模型对原始特征矩阵和原始目标变量依次进行扩展和替换，并迭代处理建立总特征矩阵；通过LightGBM模型量化评估总特征矩阵中每一特征的贡献度，根据贡献度对总特征矩阵进行剪枝，分析剪枝后的总特征矩阵，并配合总特征矩阵的维度进行调整，得到保留后的特征矩阵；整合TabNet模型和LightGBM模型构建回归模型，将保留后的特征矩阵输入至回归模型中进行预测，输出预测结果；结合TabNet的高阶特征生成能力与LightGBM的过拟合抑制机制，引入自适应递归特征生成与剪枝方法，提高小样本在回归任务中的精度和鲁棒性。