公告：所有在
2025 年 4 月 15 日之前注册使用 Earth Engine 的非商业项目都必须
验证是否符合非商业性质的资格条件，才能继续使用 Earth Engine。
ee.Reducer.robustLinearRegression
使用集合让一切井井有条
根据您的偏好保存内容并对其进行分类。
创建一个 reducer，用于使用 Talwar 成本函数通过迭代重加权最小二乘法计算具有 numX 个自变量和 numY 个因变量的稳健最小二乘回归。如果残差的 RMS 大于 beta，则相应点会被视为离群点。
每个输入元组都将包含自变量的值，后跟因变量的值。
第一个输出是维度为 (numX, numY) 的系数数组；每列都包含相应因变量的系数。第二个是每个因变量的残差的均方根向量。如果系统欠定，例如输入数量小于 numX，则两个输出均为 null。
| 用法 | 返回 |
|---|
ee.Reducer.robustLinearRegression(numX, numY, beta) | 缩减器 |
| 参数 | 类型 | 详细信息 |
|---|
numX | 整数 | 输入维度的数量。 |
numY | 整数，默认值：1 | 输出维度数。 |
beta | 浮点数，默认值：null | 残差异常值边际。如果为 null，系统将计算默认值。 |
如未另行说明，那么本页面中的内容已根据知识共享署名 4.0 许可获得了许可，并且代码示例已根据 Apache 2.0 许可获得了许可。有关详情，请参阅 Google 开发者网站政策。Java 是 Oracle 和/或其关联公司的注册商标。
最后更新时间 (UTC)：2025-07-26。
[null,null,["最后更新时间 (UTC)：2025-07-26。"],[[["\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. |"]]
