H20 在文档中说，对回归 gbms 的特征进行拆分是基于平方误差的减少。
这个平方误差是基于节点残差，即 (resid - mean resid)^2 还是真实响应，即 (response - mean response)？我正在使用伽玛/泊松分布。
在伽马/泊松的情况下，损失是偏差，那么为什么要使用平方误差呢？
问问题
46 次
在 H2O 中，均方误差是根据节点残差计算的。目标是有一个无偏估计，因此要最小化的 SE 计算为：
SE = MSE * N = Var * N = w y y - (w * y)^2/N
其中 y 表示节点残差不响应，w 表示权重，N 表示观察次数。您可以在这本小册子中阅读有关 H2O GBM 树学习的更多信息：https ://docs.h2o.ai/h2o/latest-stable/h2o-docs/booklets/GBMBooklet.pdf在理论和框架一章中。