Scikit learn Freidman mse和mse之间的区别是什么？

我正在查看

sklearn

中的

GradientBoostingClassifier

。然后，我发现有三种标准。弗里德曼mse，mse，mae。

sklearn

提供的说明如下：

用于测量分割质量的函数。支持的标准是“friedman_mse”表示均方误差和friedman的改善分数，“mse”表示均方误差，“mae”表示平均绝对误差。“friedman_mse”的默认值通常是最好的，因为它在某些情况下可以提供更好的近似值

我不明白有什么不同？ 谁会让我知道

---

谢谢

我在link中提供了一个完整的答案，这是因为写TeX很方便。然而，事实上，这个分割标准让我们不仅可以决定我们离期望结果有多近（MSE就是这么做的），但也基于我们将在区域l或区域r中找到的期望k类的概率（通过考虑全局权重w1*w2/（w1+w2））。我强烈建议您查看上面的链接以获得完整的解释

根据scikit学习源代码，这两个标准之间的主要区别在于

杂质改善方法。MSE/FriedmanMSE准则计算当前节点的杂质并尝试减少（改善）它，杂质越小越好

均方误差杂质标准

MSE=sum\u square\u of_left/w\u l+sum\u square\u of_right/w\u r


另一方面，FriedmanMSE杂质标准采用以下方法提高纯度：

diff=w_r*总左和-w_l*总右和
改进=差异**2/（w_r*w_l）

注：w_r（
右
）表示总计
左
和，反之亦然

你可以用更好的符号简化以下方程式，这是弗里德曼出版的自己（公式35）中提供的。
上面说

改进=（w_l*w_r）/（w_l+w_r）*（平均值左-平均值右）^2

其中，
w_l
，
w_r
是各自左侧或右侧部分的相应权重之和


为了给
left
和
right
关键字赋予意义，请将整个系统想象成一个数组（例如示例[start:end]），例如
left
表示当前节点的左侧元素。
您可以在公式（35）中找到问题的答案在Friedman最初的梯度增强论文中，或者查看《非编码问题》中的
FriedmanMSE
定义，因此可以说这是一个离题的问题——更适合于。