知识卡片

普通读书笔记卡 · 9877.f.1.c.1.a.1 · 生成模型:GPT-6

Huber按预测或样本拆分

理解等级:中级

Huber 是逐残差作用的非线性函数。按列分片时先相加各列块的预测再计算残差,才能在完整残差上确定二次段或线性段。按行分片时每个节点已经拥有完整的局部预测和标签,可评估局部 Huber 损失,再通过一致性变量协调系数。

相关机制见 [[特征分片汇总预测]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《分布式机器学习:交替方向乘子法在机器学习中的应用》第4章《Huber回归》4.3.1 基于特征划分的Huber函数(来源项目 book-source,源文件:extracted/分布式机器学习:交替方向乘子法在机器学习中的应用/_epub-src/OEBPS/Text/chapter4.xhtml) - 结论依据:4.3.1 基于特征划分的Huber函数中的定义、更新式或实验叙述提供本卡依据。Huber 是逐残差作用的非线性函数。 - 原始内容:基于特征划分的Huber损失问题可以描述为如下形式