我正在寻找GradientBoostingClassifier中的sklearn。然后，我发现有3种标准。弗里德曼女士，女士，湄。
sklearn提供的描述是：
用于测量分割质量的功能。支持的标准是“弗里德曼_米斯”（Friedman_mse）表示弗里德曼的平均得分，并由弗里德曼（Friedman）进行改进，“ mse”表示均方误差，“ mae”表示平均绝对误差。通常，“ friedman_mse”的默认值是最好的，因为在某些情况下它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！
答案 0 :(得分：0)
由于编写TeX的方便，我在this链接中提供了完整的答案。然而，它的恢复是基于这样一个事实，即分裂标准不仅使我们能够做出决定，不仅取决于我们与期望结果的接近程度（这是MSE所做的事情），而且还基于期望的k类概率我们将在区域l或区域r中找到（通过考虑全局权重w1 * w2 /（w1 + w2））。我强烈建议您检查上面的链接以获取完整说明。
答案 1 :(得分：0)
根据scikit-learn源代码，这两个条件之间的主要区别是impurity-improvement方法。 MSE / FriedmanMSE准则计算当前节点的杂质并尝试减少（改善）杂质，杂质越小越好。
均方误差杂质标准。
MSE = sum_square_of_left / w_l + sum_square_of_right / w_r
另一方面，FriedmanMSE杂质标准使用以下方法来提高纯度：
diff = w_r * total_left_sum - w_l * total_rigth_sum
improvement = diff**2 / (w_r * w_l)
注意：w_r（
right）是总计left的总和，反之亦然。
您可以使用弗里德曼（Friedman）出版的paper本身（等式35）提供的更好的表示法简化以下方程式。 其中说
改进=（w_l * w_r）/（w_l + w_r）*（均值左-均值右）^ 2
w_l，w_r是各个左或右部分的相应权重之和。
要为left和right关键字分配含义，请想象一个数组中的整个系统（例如，samples [start：end]），例如，left表示当前节点。