Annuncio: tutti i progetti non commerciali registrati per l'utilizzo di Earth Engine prima del
15 aprile 2025 devono
verificare l'idoneità non commerciale per mantenere l'accesso a Earth Engine.
ee.Reducer.robustLinearRegression
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Crea un riduttore che calcola una regressione dei minimi quadrati robusta con numX variabili indipendenti e numY variabili dipendenti, utilizzando i minimi quadrati riponderati in modo iterativo con la funzione di costo di Talwar. Un punto viene considerato un outlier se l'RMS dei residui è maggiore di beta.
Ogni tupla di input avrà valori per le variabili indipendenti seguiti dalle variabili dipendenti.
Il primo output è un array di coefficienti con dimensioni (numX, numY); ogni colonna contiene i coefficienti per la variabile dipendente corrispondente. Il secondo è un vettore della radice quadrata media dei residui di ogni variabile dipendente. Entrambi gli output sono nulli se il sistema è indeterminato, ad esempio se il numero di input è inferiore a numX.
| Utilizzo | Resi |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | Riduttore |
| Argomento | Tipo | Dettagli |
|---|
numX | Numero intero | Il numero di dimensioni di input. |
numY | Numero intero, valore predefinito: 1 | Il numero di dimensioni di output. |
beta | Float, valore predefinito: null | Margine di outlier dell'errore residuo. Se è nullo, verrà calcolato un valore predefinito. |
Salvo quando diversamente specificato, i contenuti di questa pagina sono concessi in base alla licenza Creative Commons Attribution 4.0, mentre gli esempi di codice sono concessi in base alla licenza Apache 2.0. Per ulteriori dettagli, consulta le norme del sito di Google Developers. Java è un marchio registrato di Oracle e/o delle sue consociate.
Ultimo aggiornamento 2025-07-26 UTC.
[null,null,["Ultimo aggiornamento 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. |"]]
