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.ridgeRegression
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Crea un reductor que calcula una regresión de cresta con numX variables independientes (sin incluir la constante) seguida de numY variables dependientes. La regresión Ridge es una forma de regularización de Tikhonov que reduce los coeficientes de regresión imponiendo una penalización en su tamaño. Con esta implementación de la regresión ridge, NO ES NECESARIO incluir un valor constante para el sesgo.
El primer resultado es un array de coeficientes con dimensiones (numX + 1, numY); cada columna contiene los coeficientes de la variable dependiente correspondiente más la intersección de la variable dependiente en la última columna. Las salidas adicionales son un vector de la raíz cuadrada media de los residuos de cada variable dependiente y un vector de valores p para cada variable dependiente. Las salidas son nulas si el sistema está subdeterminado, p.ej., la cantidad de entradas es menor que numX + 1.
| Uso | Muestra |
|---|
ee.Reducer.ridgeRegression(numX, numY, lambda) | Reductor |
| Argumento | Tipo | Detalles |
|---|
numX | Número entero | Es la cantidad de variables independientes que se regresan. |
numY | Número entero, valor predeterminado: 1 | es la cantidad de variables dependientes. |
lambda | Número de punto flotante, valor predeterminado: 0.1 | Es el parámetro de regularización. |
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\u003eCreates a reducer for ridge regression, a regularization method that shrinks regression coefficients to prevent overfitting.\u003c/p\u003e\n"],["\u003cp\u003eOutputs include regression coefficients, root mean square of residuals, and p-values for each dependent variable.\u003c/p\u003e\n"],["\u003cp\u003eRequires specifying the number of independent and dependent variables, along with an optional regularization parameter (lambda).\u003c/p\u003e\n"],["\u003cp\u003eThe reducer automatically handles the intercept term, so there's no need to add a constant value for bias.\u003c/p\u003e\n"],["\u003cp\u003eOutputs will be null if the system is underdetermined, meaning there are fewer input data points than independent variables plus one.\u003c/p\u003e\n"]]],[],null,["# ee.Reducer.ridgeRegression\n\nCreates a reducer that computes a ridge regression with numX independent variables (not including constant) followed by numY dependent variables. Ridge regression is a form of Tikhonov regularization which shrinks the regression coefficients by imposing a penalty on their size. With this implementation of ridge regression there NO NEED to include a constant value for bias.\n\n\u003cbr /\u003e\n\nThe first output is a coefficients array with dimensions (numX + 1, numY); each column contains the coefficients for the corresponding dependent variable plus the intercept for the dependent variable in the last column. Additional outputs are a vector of the root mean square of the residuals of each dependent variable and a vector of p-values for each dependent variable. Outputs are null if the system is underdetermined, e.g., the number of inputs is less than numX + 1.\n\n| Usage | Returns |\n|-----------------------------------------------------------|---------|\n| `ee.Reducer.ridgeRegression(numX, `*numY* `, `*lambda*`)` | Reducer |\n\n| Argument | Type | Details |\n|----------|---------------------|------------------------------------------------------|\n| `numX` | Integer | the number of independent variables being regressed. |\n| `numY` | Integer, default: 1 | the number of dependent variables. |\n| `lambda` | Float, default: 0.1 | Regularization parameter. |"]]
