Pengumuman: Semua project nonkomersial yang terdaftar untuk menggunakan Earth Engine sebelum
15 April 2025 harus
memverifikasi kelayakan nonkomersial untuk mempertahankan akses Earth Engine.
ee.Reducer.ridgeRegression
Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Membuat reducer yang menghitung regresi punggungan dengan numX variabel independen (tidak termasuk konstanta) yang diikuti oleh numY variabel dependen. Regresi ridge adalah bentuk regularisasi Tikhonov yang mengecilkan koefisien regresi dengan memberikan penalti pada ukurannya. Dengan penerapan regresi punggungan ini, TIDAK PERLU menyertakan nilai konstanta untuk bias.
Output pertama adalah array koefisien dengan dimensi (numX + 1, numY); setiap kolom berisi koefisien untuk variabel dependen yang sesuai ditambah intersep untuk variabel dependen di kolom terakhir. Output tambahan adalah vektor root mean square residual setiap variabel dependen dan vektor nilai p untuk setiap variabel dependen. Output akan null jika sistem kurang ditentukan, misalnya, jumlah input kurang dari numX + 1.
| Penggunaan | Hasil |
|---|
ee.Reducer.ridgeRegression(numX, numY, lambda) | Pengurang |
| Argumen | Jenis | Detail |
|---|
numX | Bilangan Bulat | jumlah variabel independen yang diregresi. |
numY | Bilangan bulat, default: 1 | jumlah variabel dependen. |
lambda | Float, default: 0,1 | Parameter regularisasi. |
Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.
Terakhir diperbarui pada 2025-07-26 UTC.
[null,null,["Terakhir diperbarui pada 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. |"]]
