Anuncio: Todos los proyectos no comerciales registrados para usar Earth Engine antes del
15 de abril de 2025 deben
verificar su elegibilidad no comercial para mantener el acceso a Earth Engine.
ee.Reducer.linearRegression
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Crea un reductor que calcula una regresión lineal de mínimos cuadrados con numX variables independientes y numY variables dependientes.
Cada tupla de entrada tendrá valores para las variables independientes seguidos de las variables dependientes.
El primer resultado es un array de coeficientes con dimensiones (numX, numY); cada columna contiene los coeficientes de la variable dependiente correspondiente. El segundo resultado es un vector de la raíz cuadrada media de los residuos de cada variable dependiente. Ambas salidas son nulas si el sistema está subdeterminado, p.ej., la cantidad de entradas es menor o igual que numX.
| Uso | Muestra |
|---|
ee.Reducer.linearRegression(numX, numY) | Reductor |
| Argumento | Tipo | Detalles |
|---|
numX | Número entero | Es la cantidad de dimensiones de entrada. |
numY | Número entero, valor predeterminado: 1 | Cantidad de dimensiones de salida. |
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2025-07-26 (UTC)
[null,null,["Última actualización: 2025-07-26 (UTC)"],[[["\u003cp\u003eComputes a linear least squares regression with user-defined independent and dependent variables.\u003c/p\u003e\n"],["\u003cp\u003eEach input to the reducer should contain values for independent variables followed by dependent variables.\u003c/p\u003e\n"],["\u003cp\u003eOutputs a coefficients array and a root mean square error vector, or null if the system is underdetermined.\u003c/p\u003e\n"],["\u003cp\u003eThe coefficients array provides coefficients for each dependent variable, organized in columns.\u003c/p\u003e\n"],["\u003cp\u003eThe root mean square error vector quantifies the residual error for each dependent variable.\u003c/p\u003e\n"]]],[],null,["# ee.Reducer.linearRegression\n\nCreates a reducer that computes a linear least squares regression with numX independent variables and numY dependent variables.\n\n\u003cbr /\u003e\n\nEach input tuple will have values for the independent variables followed by the dependent variables.\n\nThe first output is a coefficients array with dimensions (numX, numY); each column contains the coefficients for the corresponding dependent variable. The second output is a vector of the root mean square of the residuals of each dependent variable. Both outputs are null if the system is underdetermined, e.g., the number of inputs is less than or equal to numX.\n\n| Usage | Returns |\n|-----------------------------------------------|---------|\n| `ee.Reducer.linearRegression(numX, `*numY*`)` | Reducer |\n\n| Argument | Type | Details |\n|----------|---------------------|----------------------------------|\n| `numX` | Integer | The number of input dimensions. |\n| `numY` | Integer, default: 1 | The number of output dimensions. |"]]
