إشعار: يجب
إثبات أهلية جميع المشاريع غير التجارية المسجّلة لاستخدام Earth Engine قبل
15 أبريل 2025 من أجل الحفاظ على إمكانية الوصول إلى Earth Engine.
ee.Reducer.robustLinearRegression
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
تنشئ هذه الدالة أداة تقليل تحسب انحدار المربعات الصغرى القوي مع numX من المتغيرات المستقلة وnumY من المتغيرات التابعة، وذلك باستخدام المربعات الصغرى المعاد ترجيحها بشكل متكرر مع دالة التكلفة Talwar. تُعتبر النقطة قيمة متطرفة إذا كان متوسط الجذر التربيعي لمجموع مربعات البواقي أكبر من بيتا.
سيتضمّن كل صف إدخال قيمًا للمتغيرات المستقلة متبوعة بالمتغيرات التابعة.
الناتج الأول هو مصفوفة معاملات بأبعاد (numX, numY)، ويحتوي كل عمود على معاملات المتغير التابع المقابل. والثاني هو متّجه لمتوسّط الجذر التربيعي للبواقي لكل متغيّر تابع. يكون كلا الناتجَين فارغًا إذا كان النظام غير محدّد، مثلاً، إذا كان عدد المدخلات أقل من numX.
| الاستخدام | المرتجعات |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | Reducer |
| الوسيطة | النوع | التفاصيل |
|---|
numX | عدد صحيح | عدد سمات الإدخال. |
numY | عدد صحيح، القيمة التلقائية: 1 | عدد سمات الإخراج. |
beta | العدد العائم، القيمة التلقائية: null | هامش القيم الشاذة للخطأ المتبقي إذا كانت القيمة فارغة، سيتم احتساب قيمة تلقائية. |
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-07-26 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-07-26 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eComputes robust least squares regression using iteratively reweighted least squares with the Talwar cost function, handling outliers based on residual error.\u003c/p\u003e\n"],["\u003cp\u003eAccepts input tuples with independent and dependent variable values, outputting regression coefficients and root mean square residuals.\u003c/p\u003e\n"],["\u003cp\u003eOutputs null if the system is underdetermined (insufficient input data for the number of variables).\u003c/p\u003e\n"],["\u003cp\u003eOffers customization through parameters: \u003ccode\u003enumX\u003c/code\u003e for independent variables, \u003ccode\u003enumY\u003c/code\u003e for dependent variables, and \u003ccode\u003ebeta\u003c/code\u003e for outlier detection threshold.\u003c/p\u003e\n"]]],[],null,["# ee.Reducer.robustLinearRegression\n\nCreates a reducer that computes a robust least squares regression with numX independent variables and numY dependent variables, using iteratively reweighted least squares with the Talwar cost function. A point is considered an outlier if the RMS of residuals is greater than beta.\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 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 numX.\n\n| Usage | Returns |\n|----------------------------------------------------------------|---------|\n| `ee.Reducer.robustLinearRegression(numX, `*numY* `, `*beta*`)` | 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. |\n| `beta` | Float, default: null | Residual error outlier margin. If null, a default value will be computed. |"]]
