ঘোষণা :
15 এপ্রিল, 2025 এর আগে আর্থ ইঞ্জিন ব্যবহার করার জন্য নিবন্ধিত সমস্ত অবাণিজ্যিক প্রকল্পগুলিকে অবশ্যই আর্থ ইঞ্জিন অ্যাক্সেস বজায় রাখার জন্য
অ-বাণিজ্যিক যোগ্যতা যাচাই করতে হবে।
ee.Reducer.robustLinearRegression
সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
একটি রিডুসার তৈরি করে যা numX স্বাধীন ভেরিয়েবল এবং numY নির্ভরশীল ভেরিয়েবলের সাথে একটি শক্তিশালী সর্বনিম্ন বর্গক্ষেত্রের রিগ্রেশন গণনা করে, তালওয়ার খরচ ফাংশনের সাথে পুনরাবৃত্তিমূলকভাবে পুনরায় ওজন করা সর্বনিম্ন বর্গক্ষেত্র ব্যবহার করে। অবশিষ্টাংশের RMS বিটা থেকে বড় হলে একটি বিন্দুকে আউটলায়ার হিসেবে বিবেচনা করা হয়।
প্রতিটি ইনপুট টিপলে স্বাধীন ভেরিয়েবলের জন্য মান থাকবে এবং নির্ভরশীল ভেরিয়েবলগুলি অনুসরণ করবে।
প্রথম আউটপুটটি মাত্রা সহ একটি সহগ অ্যারে (numX, numY); প্রতিটি কলাম সংশ্লিষ্ট নির্ভরশীল ভেরিয়েবলের সহগ ধারণ করে। দ্বিতীয়টি প্রতিটি নির্ভরশীল চলকের অবশিষ্টাংশের মূল গড় বর্গক্ষেত্রের একটি ভেক্টর। উভয় আউটপুট শূন্য হয় যদি সিস্টেমটি অবনমিত হয়, যেমন, ইনপুটের সংখ্যা numX এর চেয়ে কম।
| ব্যবহার | রিটার্নস | ee.Reducer.robustLinearRegression(numX, numY , beta ) | হ্রাসকারী |
| যুক্তি | টাইপ | বিস্তারিত | numX | পূর্ণসংখ্যা | ইনপুট মাত্রা সংখ্যা. |
numY | পূর্ণসংখ্যা, ডিফল্ট: 1 | আউটপুট মাত্রা সংখ্যা. |
beta | ফ্লোট, ডিফল্ট: নাল | অবশিষ্ট ত্রুটি বহির্মুখী মার্জিন। শূন্য হলে, একটি ডিফল্ট মান গণনা করা হবে। |
অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।
2025-07-24 UTC-তে শেষবার আপডেট করা হয়েছে।
[null,null,["2025-07-24 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["\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. |"]]
