ee.Reducer.robustLinearRegression
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
Creates 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. נקודה נחשבת חריגה אם שורש ממוצע הריבועים של השאריות גדול מ-beta.
כל טופל קלט יכלול ערכים של המשתנים הבלתי תלויים, ואחריהם ערכים של המשתנים התלויים.
הפלט הראשון הוא מערך של מקדמים עם מימדים (numX, numY). כל עמודה מכילה את המקדמים של המשתנה התלוי המתאים. השני הוא וקטור של השורש הממוצע הריבועי של השאריות של כל משתנה תלוי. שני הפלטים הם null אם המערכת לא מוגדרת, למשל אם מספר הקלטים קטן מ-numX.
| שימוש | החזרות |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | הפחתה |
| ארגומנט | סוג | פרטים |
|---|
numX | מספר שלם | מספר מאפייני הקלט. |
numY | מספר שלם, ברירת מחדל: 1 | מספר מאפייני הפלט. |
beta | מספר ממשי (float), ברירת מחדל: null | שוליים של חריג בשגיאה שיורית. אם הערך הוא null, יחושב ערך ברירת מחדל. |
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-26 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-26 (שעון 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. |"]]
