ee.Reducer.robustLinearRegression
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Erstellt eine Reducer-Funktion, mit der eine robuste Regression der kleinsten Quadrate mit numX unabhängigen und numY abhängigen Variablen berechnet wird. Dabei wird die Methode der iterativ neu gewichteten kleinsten Quadrate mit der Talwar-Kostenfunktion verwendet. Ein Punkt gilt als Ausreißer, wenn der RMS der Residuen größer als Beta ist.
Jedes Eingabetupel enthält Werte für die unabhängigen Variablen, gefolgt von den abhängigen Variablen.
Die erste Ausgabe ist ein Koeffizienten-Array mit den Dimensionen (numX, numY). Jede Spalte enthält die Koeffizienten für die entsprechende abhängige Variable. Der zweite ist ein Vektor des quadratischen Mittelwerts der Residuen jeder abhängigen Variablen. Beide Ausgaben sind null, wenn das System unterbestimmt ist, z.B. wenn die Anzahl der Eingaben kleiner als „numX“ ist.
| Nutzung | Ausgabe |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | Reducer |
| Argument | Typ | Details |
|---|
numX | Ganzzahl | Die Anzahl der Eingabedimensionen. |
numY | Ganzzahl, Standard: 1 | Die Anzahl der Ausgabedimensionen. |
beta | Gleitkommazahl, Standardwert: null | Grenze für Ausreißer bei Residualfehlern. Wenn der Wert „null“ ist, wird ein Standardwert berechnet. |
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2025-07-26 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-07-26 (UTC)."],[[["\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. |"]]
