Объявление : Все некоммерческие проекты, зарегистрированные для использования Earth Engine до
15 апреля 2025 года, должны
подтвердить некоммерческое право на сохранение доступа к Earth Engine.
ee.Reducer.robustLinearRegression
Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Создаёт редуктор, который вычисляет робастную регрессию наименьших квадратов с numX независимыми переменными и numY зависимыми переменными, используя итеративно перевзвешенный метод наименьших квадратов с функцией стоимости Тальвара. Точка считается выбросом, если среднеквадратичное значение остатков больше бета.
Каждый входной кортеж будет иметь значения для независимых переменных, за которыми следуют значения для зависимых переменных.
Первый выходной сигнал — массив коэффициентов размерностью (numX, numY); каждый столбец содержит коэффициенты для соответствующей зависимой переменной. Второй выходной сигнал — вектор среднеквадратичного отклонения остатков каждой зависимой переменной. Оба выхода равны нулю, если система недоопределена, например, количество входных сигналов меньше numX.
| Использование | Возврат | ee.Reducer.robustLinearRegression(numX, numY , beta ) | Редуктор |
| Аргумент | Тип | Подробности | numX | Целое число | Количество входных измерений. |
numY | Целое число, по умолчанию: 1 | Количество выходных измерений. |
beta | Плавающий, по умолчанию: null | Допустимый предел остаточной погрешности. Если равно нулю, будет вычислено значение по умолчанию. |
Если не указано иное, контент на этой странице предоставляется по лицензии Creative Commons "С указанием авторства 4.0", а примеры кода – по лицензии Apache 2.0. Подробнее об этом написано в правилах сайта. Java – это зарегистрированный товарный знак корпорации Oracle и ее аффилированных лиц.
Последнее обновление: 2025-07-24 UTC.
[null,null,["Последнее обновление: 2025-07-24 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. |"]]
