Anúncio: todos os projetos não comerciais registrados para usar o Earth Engine antes de
15 de abril de 2025 precisam
verificar a qualificação não comercial para manter o acesso ao Earth Engine.
ee.Reducer.robustLinearRegression
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Cria um redutor que calcula uma regressão de mínimos quadrados robusta com numX variáveis independentes e numY variáveis dependentes, usando mínimos quadrados iterativamente reponderados com a função de custo de Talwar. Um ponto é considerado um outlier se o RMS dos resíduos for maior que beta.
Cada tupla de entrada terá valores para as variáveis independentes seguidas pelas variáveis dependentes.
A primeira saída é uma matriz de coeficientes com dimensões (numX, numY). Cada coluna contém os coeficientes da variável dependente correspondente. O segundo é um vetor da raiz quadrada média dos resíduos de cada variável dependente. As duas saídas serão nulas se o sistema for indeterminado, por exemplo, se o número de entradas for menor que numX.
| Uso | Retorna |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | Redutor |
| Argumento | Tipo | Detalhes |
|---|
numX | Número inteiro | O número de dimensões de entrada. |
numY | Número inteiro, padrão: 1 | O número de dimensões de saída. |
beta | Ponto flutuante, padrão: nulo | Margem de outlier de erro residual. Se for nulo, um valor padrão será calculado. |
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2025-07-26 UTC.
[null,null,["Última atualização 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. |"]]
