ee.Reducer.robustLinearRegression
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Crée un réducteur qui calcule une régression robuste des moindres carrés avec numX variables indépendantes et numY variables dépendantes, à l'aide des moindres carrés itérativement repondérés avec la fonction de coût Talwar. Un point est considéré comme une valeur aberrante si la RMS des résidus est supérieure à bêta.
Chaque tuple d'entrée aura des valeurs pour les variables indépendantes, suivies des variables dépendantes.
La première sortie est un tableau de coefficients de dimensions (numX, numY). Chaque colonne contient les coefficients de la variable dépendante correspondante. Le second est un vecteur de la racine carrée moyenne des résidus de chaque variable dépendante. Les deux sorties sont nulles si le système est sous-déterminé (par exemple, si le nombre d'entrées est inférieur à numX).
| Utilisation | Renvoie |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | Réducteur |
| Argument | Type | Détails |
|---|
numX | Nombre entier | Nombre de dimensions d'entrée. |
numY | Entier, valeur par défaut : 1 | Nombre de dimensions de sortie. |
beta | Float, valeur par défaut : null | Marge de valeurs aberrantes d'erreur résiduelle. Si la valeur est nulle, une valeur par défaut sera calculée. |
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/07/26 (UTC).
[null,null,["Dernière mise à jour le 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. |"]]
