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."],[],[]]
