Duyuru:
15 Nisan 2025'ten önce Earth Engine'i kullanmak için kaydedilen tüm ticari olmayan projelerin Earth Engine erişimini sürdürmek için
ticari olmayan uygunluğu doğrulaması gerekir.
ee.Reducer.robustLinearRegression
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Talwar maliyet işleviyle yinelemeli olarak yeniden ağırlıklandırılmış en küçük kareler yöntemini kullanarak numX bağımsız değişkeni ve numY bağımlı değişkeniyle sağlam bir en küçük kareler regresyonu hesaplayan bir azaltıcı oluşturur. Artıkların RMS'si betadan büyükse nokta aykırı değer olarak kabul edilir.
Her giriş demetinde, bağımlı değişkenlerden sonra bağımsız değişkenlerin değerleri yer alır.
İlk çıktı, boyutları (numX, numY) olan bir katsayılar dizisidir. Her sütun, ilgili bağımlı değişkenin katsayılarını içerir. İkincisi ise her bir bağımlı değişkenin kalıntılarının ortalama karekökünün vektörüdür. Sistem yetersiz belirlenmişse (ör. giriş sayısı numX değerinden azsa) her iki çıkış da null olur.
| Kullanım | İadeler |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | Azaltıcı |
| Bağımsız Değişken | Tür | Ayrıntılar |
|---|
numX | Tamsayı | Giriş boyutlarının sayısı. |
numY | Tamsayı, varsayılan: 1 | Çıkış boyutlarının sayısı. |
beta | Ondalık sayı, varsayılan: null | Kalan hata aykırı değer aralığı. Null ise varsayılan bir değer hesaplanır. |
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-07-26 UTC.
[null,null,["Son güncelleme tarihi: 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. |"]]
