连续值的 m 估计
我正在构建一个自定义回归树，并希望使用 m 估计进行修剪。
有谁知道如何计算。
http://www.ailab.si/blaz/predavanja/ UISP/slides/uisp07-RegTrees.ppt 可能会有所帮助（幻灯片 12，Em 应该是什么样子？）
I'm building a custom regression tree and want to use m-estimate for pruning.
Does anyone know how to calculate that.
http://www.ailab.si/blaz/predavanja/UISP/slides/uisp07-RegTrees.ppt might help (slide 12, how should Em look like?)
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（1）
有很多 m 估计。 它们都归结为将估计问题重新定义为最小化问题。 如果您使用平方误差作为要最小化的函数，您只需得到样本均值。 如果使用误差的绝对值，您将得到样本中位数。 这个想法是使用一个介于两者之间的折衷函数，以便获得平均值的一些效率和中位数的一些鲁棒性。
一旦您选择了函数，找到 m 估计就只是一个优化问题。 所以你的问题实际上可以归结为寻找优化软件之一。 如果您的优化问题是凸的（并且您可以选择 m 估计器以使问题是凸的），那么那里有很多高质量的软件。
There are a lot of m-estimates. They all boil down to recasting your estimation problem as a minimization problem. If you use squared error as the function you're minimizing, you just get sample mean. If you use absolute value of the error, you get the sample median. The idea is to use a function that is a compromise between these two so that you get some of the efficiency of the mean and some of the robustness of the median.
Once you've picked your function, finding an m-estimate is just an optimization problem. So your question really boils down to one of finding optimization software. If your optimization problem is convex (and you can pick your m-estimator so that the problem is convex) then there's a lot of high quality software out there.