ee.Reducer.robustLinearRegression
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
یک کاهنده ایجاد می کند که رگرسیون حداقل مربعات قوی را با متغیرهای مستقل numX و متغیرهای وابسته به numY، با استفاده از حداقل مربعات وزن مجدد تکراری با تابع هزینه Talwar محاسبه می کند. اگر RMS باقیمانده ها از بتا بیشتر باشد، یک نقطه نقطه پرت در نظر گرفته می شود.
هر تاپل ورودی مقادیری برای متغیرهای مستقل و به دنبال آن متغیرهای وابسته خواهد داشت.
اولین خروجی یک آرایه ضرایب با ابعاد (numX، numY) است. هر ستون شامل ضرایب متغیر وابسته مربوطه است. دومی بردار ریشه میانگین مربع باقیمانده هر متغیر وابسته است. هر دو خروجی تهی هستند اگر سیستم تعریف نشده باشد، به عنوان مثال، تعداد ورودی ها کمتر از numX باشد.
| استفاده | برمی گرداند | ee.Reducer.robustLinearRegression(numX, numY , beta ) | کاهنده |
| استدلال | تایپ کنید | جزئیات | numX | عدد صحیح | تعداد ابعاد ورودی |
numY | عدد صحیح، پیش فرض: 1 | تعداد ابعاد خروجی |
beta | شناور، پیش فرض: null | حاشیه پرت خطا باقیمانده. اگر null باشد، یک مقدار پیش فرض محاسبه خواهد شد. |
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشی‌های سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبت‌شده Oracle و/یا شرکت‌های وابسته به آن است.
تاریخ آخرین به‌روزرسانی 2025-07-24 به‌وقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین به‌روزرسانی 2025-07-24 به‌وقت ساعت هماهنگ جهانی."],[[["\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. |"]]
