Machine learning 机器学习与m-估计

我正在处理一个机器学习问题，我的数据中有一些异常值，我想对它们进行平滑处理。我读了一些关于用m估计来解决这个问题的书。我已经在网络和stackoverflow上进行了详尽的搜索，但没有找到一个好的例子。有人能给我提供一些资源，让我可以阅读更多关于这个主题的内容吗

---

谢谢

如果我记得清楚的话，M估计源于Huber的工作。他研究了使估计器稳健的方法。然而，为了衡量稳健性，考虑了一种非常特殊的稳健性类型。它被称为“分解点”，简单地说就是离群值与该方法能够处理的总点数的百分比。再多一个异常值，它就崩溃了

注意，这种鲁棒性与计算机视觉中的鲁棒性有很大不同。在计算机视觉中，异常值可能不多，但它们可能（以结构化点的形式）联合起来破坏最稳健的估计器。在计算机视觉中，由于这个原因，您将遇到并执行线条的稳健估计

此外，一种对异常值具有很强弹性的M-估计量是一种限制指定给极端异常值的值的M-估计量。这些都是所谓的。由于极端异常值（称为

总异常值

）被赋予零权重，或者换句话说，在回归中根本不考虑，因此它们非常稳健

---

如果您想知道单个异常值的影响，我建议您编写一个简单的线性最小二乘倍频程程序。或者，如果你认为更简单的话，一个总体最小二乘法程序（你可以只做一个奇异值分解，并且内置了svd）。

如果我记得清楚的话，M估计源于Huber的工作。他研究了使估计器稳健的方法。然而，为了衡量稳健性，考虑了一种非常特殊的稳健性类型。它被称为“分解点”，简单地说就是离群值与该方法能够处理的总点数的百分比。再多一个异常值，它就崩溃了

注意，这种鲁棒性与计算机视觉中的鲁棒性有很大不同。在计算机视觉中，异常值可能不多，但它们可能（以结构化点的形式）联合起来破坏最稳健的估计器。在计算机视觉中，由于这个原因，您将遇到并执行线条的稳健估计

此外，一种对异常值具有很强弹性的M-估计量是一种限制指定给极端异常值的值的M-估计量。这些都是所谓的。由于极端异常值（称为

总异常值

）被赋予零权重，或者换句话说，在回归中根本不考虑，因此它们非常稳健

---

如果您想知道单个异常值的影响，我建议您编写一个简单的线性最小二乘倍频程程序。或者，如果您认为更简单，可以使用一个总体最小二乘法程序（您可以只进行奇异值分解，并且内置了

svd

。

这里有大量的参考资料。我正在寻找机器学习的例子。m-估计是在高层提到的，它是有意义的。但是，如果不看一个例子，我就无法完全理解这个概念。这里有大量的参考文献。我正在寻找机器学习的例子。m-估计是在高层提到的，它是有意义的。但是，如果不看一个例子，我就无法完全理解这个概念。