ee.Reducer.robustLinearRegression
Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Tạo một hàm giảm tính toán hồi quy bình phương tối thiểu mạnh mẽ với numX biến độc lập và numY biến phụ thuộc, bằng cách sử dụng phương pháp bình phương tối thiểu được phân bổ lại lặp đi lặp lại với hàm chi phí Talwar. Một điểm được coi là giá trị ngoại lệ nếu RMS của phần dư lớn hơn beta.
Mỗi bộ dữ liệu đầu vào sẽ có các giá trị cho biến độc lập, sau đó là biến phụ thuộc.
Đầu ra đầu tiên là một mảng hệ số có kích thước (numX, numY); mỗi cột chứa các hệ số cho biến phụ thuộc tương ứng. Thứ hai là vectơ căn bậc hai trung bình của phần dư của mỗi biến phụ thuộc. Cả hai đầu ra đều rỗng nếu hệ thống không xác định được, ví dụ: số lượng đầu vào nhỏ hơn numX.
| Cách sử dụng | Giá trị trả về |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | Bộ giảm tốc |
| Đối số | Loại | Thông tin chi tiết |
|---|
numX | Số nguyên | Số lượng phương diện đầu vào. |
numY | Số nguyên, mặc định: 1 | Số lượng phương diện đầu ra. |
beta | Float, mặc định: null | Khoảng sai số ngoại lệ còn lại. Nếu giá trị là null, hệ thống sẽ tính toán giá trị mặc định. |
Trừ phi có lưu ý khác, nội dung của trang này được cấp phép theo Giấy phép ghi nhận tác giả 4.0 của Creative Commons và các mẫu mã lập trình được cấp phép theo Giấy phép Apache 2.0. Để biết thông tin chi tiết, vui lòng tham khảo Chính sách trang web của Google Developers. Java là nhãn hiệu đã đăng ký của Oracle và/hoặc các đơn vị liên kết với Oracle.
Cập nhật lần gần đây nhất: 2025-07-26 UTC.
[null,null,["Cập nhật lần gần đây nhất: 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. |"]]
