ee.Reducer.robustLinearRegression
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
สร้างตัวลดที่คำนวณการถดถอยกำลังสองน้อยที่สุดที่แข็งแกร่งโดยมีตัวแปรอิสระ numX และตัวแปรตาม numY โดยใช้กำลังสองน้อยที่สุดที่ถ่วงน้ำหนักซ้ำๆ ด้วยฟังก์ชันต้นทุน Talwar จุดจะถือเป็นค่าผิดปกติหาก RMS ของส่วนที่เหลือมากกว่าเบต้า
แต่ละทูเพิลอินพุตจะมีค่าสำหรับตัวแปรอิสระตามด้วยตัวแปรที่ขึ้นต่อกัน
เอาต์พุตแรกคืออาร์เรย์สัมประสิทธิ์ที่มีมิติข้อมูล (numX, numY) แต่ละคอลัมน์มีสัมประสิทธิ์สำหรับตัวแปรตามที่เกี่ยวข้อง ส่วนที่ 2 คือเวกเตอร์ของค่าเฉลี่ยกำลังสองของส่วนที่เหลือของตัวแปรตามแต่ละตัว เอาต์พุตทั้ง 2 จะเป็น Null หากระบบมีข้อมูลไม่เพียงพอ เช่น จำนวนอินพุตน้อยกว่า numX
| การใช้งาน | การคืนสินค้า |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | ตัวลดตำแหน่ง |
| อาร์กิวเมนต์ | ประเภท | รายละเอียด |
|---|
numX | จำนวนเต็ม | จํานวนมิติข้อมูลอินพุต |
numY | จำนวนเต็ม ค่าเริ่มต้น: 1 | จํานวนมิติข้อมูลเอาต์พุต |
beta | ลอย ค่าเริ่มต้น: null | ขอบค่าผิดปกติของข้อผิดพลาดที่เหลือ หากเป็น Null ระบบจะคำนวณค่าเริ่มต้น |
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-07-26 UTC
[null,null,["อัปเดตล่าสุด 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. |"]]
