Pengumuman: Semua project nonkomersial yang terdaftar untuk menggunakan Earth Engine sebelum
15 April 2025 harus
memverifikasi kelayakan nonkomersial untuk mempertahankan akses Earth Engine.
ee.Reducer.robustLinearRegression
Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Membuat reducer yang menghitung regresi kuadrat terkecil yang kuat dengan numX variabel independen dan numY variabel dependen, menggunakan kuadrat terkecil yang diberi bobot ulang secara iteratif dengan fungsi biaya Talwar. Titik dianggap sebagai pencilan jika RMS residual lebih besar dari beta.
Setiap tuple input akan memiliki nilai untuk variabel independen yang diikuti oleh variabel dependen.
Output pertama adalah array koefisien dengan dimensi (numX, numY); setiap kolom berisi koefisien untuk variabel dependen yang sesuai. Yang kedua adalah vektor root mean square residual dari setiap variabel dependen. Kedua output adalah null jika sistem kurang ditentukan, misalnya, jumlah input kurang dari numX.
| Penggunaan | Hasil |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | Pengurang |
| Argumen | Jenis | Detail |
|---|
numX | Bilangan Bulat | Jumlah dimensi input. |
numY | Bilangan bulat, default: 1 | Jumlah dimensi output. |
beta | Float, default: null | Margin pencilan error residual. Jika null, nilai default akan dihitung. |
Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.
Terakhir diperbarui pada 2025-07-26 UTC.
[null,null,["Terakhir diperbarui pada 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. |"]]
