今天读paper的时候看到一个概念叫做median absolute deviation,翻译过来好像叫做绝对中位差,好像还挺有用。根据维基百科的解释在这里做一个整理。
定义式为:
在统计学中,绝对中位差是刻画一元数据样本变化的一个鲁棒度量。由公式可以看出,其求解还算简单,给定一个数据样本集,首先求其中位数,然后求原始数据减去中位数的绝对值从而形成一个新的数据样本,再求新的数据样本的中位数即为绝对中位差。比如说有一个数据样本集X={2 3 8 7 9 6 4},这时候数据的中位数是6,原始数据减去中位数求绝对值形成新的数据样本为{4 3 2 1 3 0 2},新的数据样本的中位数是2,所以原始数据样本集合的绝对中位差是2。
绝对中位差这个度量有什么用呢?
绝对中位差较标准差而言对“野”点(outlier)更加的鲁棒。在标准差的计算中,数据点到其均值的距离要求平方,因此对偏离较为严重的点偏离的影响得以加重,也就是说“野”点严重影响着标准差的求解,而少量的“野”点对绝对中位差的影响不大。
可以用绝对中位差去估计标准差。具体内容不多做介绍了。
今天突然希望再看一下引入这个概念的文献,费了老半天的劲才找到,以后再总结相关文献资料的时候一定要把出处也添加到里面来,
比如说我第一次看到这个指标是在
“Detecting defects in repeatedly patterned image with spatially different level of noise”
第二次看到这个指标是在
“Foreground estimation based on linear regression model with fused sparsity on outliers”
总而言之,这个指标值得我的关注!