公告：凡是在
2025 年 4 月 15 日前註冊使用 Earth Engine 的非商業專案，都必須
驗證非商業用途資格，才能繼續存取 Earth Engine。
ee.Reducer.robustLinearRegression
透過集合功能整理內容
你可以依據偏好儲存及分類內容。
：建立縮減器，使用 Talwar 成本函式，透過反覆重新加權的最小平方法，計算具有 numX 個自變數和 numY 個應變數的穩健最小平方法迴歸。如果殘差的均方根大於 beta，該點就會視為離群值。
每個輸入元組都會有獨立變數的值，後面接著相依變數。
第一個輸出是維度為 (numX, numY) 的係數陣列，每個資料欄都包含對應相依變數的係數。第二個是每個應變數殘差的均方根向量。如果系統未充分判斷，例如輸入數量少於 numX，則兩個輸出都會是空值。
| 用量 | 傳回 |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | 縮減函式 |
| 引數 | 類型 | 詳細資料 |
|---|
numX | 整數 | 輸入維度數量。 |
numY | 整數，預設值為 1 | 輸出維度數量。 |
beta | 浮點值，預設值為空值 | 殘差誤差離群值邊界。如果為空值，系統會計算預設值。 |
除非另有註明，否則本頁面中的內容是採用創用 CC 姓名標示 4.0 授權，程式碼範例則為阿帕契 2.0 授權。詳情請參閱《Google Developers 網站政策》。Java 是 Oracle 和/或其關聯企業的註冊商標。
上次更新時間：2025-07-26 (世界標準時間)。
[null,null,["上次更新時間：2025-07-26 (世界標準時間)。"],[[["\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. |"]]
