ee.Reducer.linearRegression
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
یک کاهنده ایجاد می کند که رگرسیون حداقل مربعات خطی را با متغیرهای مستقل numX و متغیرهای وابسته به numY محاسبه می کند.
هر تاپل ورودی مقادیری برای متغیرهای مستقل و به دنبال آن متغیرهای وابسته خواهد داشت.
اولین خروجی یک آرایه ضرایب با ابعاد (numX، numY) است. هر ستون شامل ضرایب متغیر وابسته مربوطه است. خروجی دوم بردار ریشه میانگین مربع باقیمانده هر متغیر وابسته است. هر دو خروجی تهی هستند اگر سیستم تعریف نشده باشد، به عنوان مثال، تعداد ورودی ها کمتر یا مساوی با numX باشد.
| استفاده | برمی گرداند | ee.Reducer.linearRegression(numX, numY ) | کاهنده |
| استدلال | تایپ کنید | جزئیات | numX | عدد صحیح | تعداد ابعاد ورودی |
numY | عدد صحیح، پیش فرض: 1 | تعداد ابعاد خروجی |
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشی‌های سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبت‌شده Oracle و/یا شرکت‌های وابسته به آن است.
تاریخ آخرین به‌روزرسانی 2025-07-24 به‌وقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین به‌روزرسانی 2025-07-24 به‌وقت ساعت هماهنگ جهانی."],[[["\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. |"]]
