Regression and Smoothing Splines
Опитът да се напасне един полином от висока степен към извити данни е известен с нестабилността си — той се изкривява силно, особено по краищата. Сплайните решават този проблем, като разделят обхвата на сегменти във възлите и напасват полином от ниска степен (обикновено кубичен) във всеки сегмент, като същевременно принуждават частите да се срещат безпроблемно — еднаква стойност, наклон и кривина във всеки възел. Резултатът е гладка крива, която може да следва локалната структура без глобалната нестабилност на полиноми от висока степен. Изглаждащият сплайн отива по-далеч, като поставя възел във всяка точка от данните и вместо това контролира гъвкавостта чрез наказание за кривината.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Eilers, P. H. C., & Marx, B. D. (1996). Flexible smoothing with B-splines and penalties. Statistical Science, 11(2), 89–121. DOI: 10.1214/ss/1038425655 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. ISBN: 978-0-387-84857-0
Как да цитирате тази страница
ScholarGate. (2026, June 2). Regression and Smoothing Splines. ScholarGate. https://scholargate.app/bg/machine-learning/regression-splines
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Обобщен адитивен модел (GAM)Машинно обучение↔ compare
- LOESS / LOWESS Локална регресияМашинно обучение↔ compare
- Многомерни адаптивни регресионни сплайнове (MARS)Машинно обучение↔ compare
- Полиномна регресияСтатистика↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →