ee.Reducer.robustLinearRegression
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Tworzy funkcję redukującą, która oblicza odporną regresję metodą najmniejszych kwadratów z zastosowaniem numX zmiennych niezależnych i numY zmiennych zależnych. Wykorzystuje iteracyjnie ważoną metodę najmniejszych kwadratów z funkcją kosztu Talwara. Punkt jest uznawany za wartość odstającą, jeśli średnia kwadratowa reszt jest większa niż beta.
Każda krotka wejściowa będzie zawierać wartości zmiennych niezależnych, a następnie zmiennych zależnych.
Pierwszym wynikiem jest tablica współczynników o wymiarach (numX, numY); każda kolumna zawiera współczynniki dla odpowiedniej zmiennej zależnej. Drugi to wektor pierwiastków średnich kwadratów reszt każdej zmiennej zależnej. Jeśli system jest niedookreślony, np. liczba danych wejściowych jest mniejsza niż numX, oba wyniki mają wartość null.
| Wykorzystanie | Zwroty |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | Ograniczenie |
| Argument | Typ | Szczegóły |
|---|
numX | Liczba całkowita | Liczba wymiarów wejściowych. |
numY | Liczba całkowita, domyślnie: 1 | Liczba wymiarów wyjściowych. |
beta | Liczba zmiennoprzecinkowa, domyślnie: null | Margines wartości odstających błędu resztkowego. Jeśli wartość jest równa null, zostanie obliczona wartość domyślna. |
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2025-07-26 UTC.
[null,null,["Ostatnia aktualizacja: 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. |"]]
