LOESS / LOWESS Lokal Regression
LOESS (lokalt estimeret scatterplot-udjævning), introduceret af William Cleveland i 1979 og udvidet med Susan Devlin i 1988, tilpasser en glat kurve gennem data ved at udføre en separat vægtet polynomiel regression i nærheden af hvert punkt. Nærliggende observationer tæller mere end fjerne, så metoden følger lokal struktur uden at antage nogen global funktionel form, hvilket gør den til en populær eksplorativ udjævner for scatterplots.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Cleveland, W. S. (1979). Robust locally weighted regression and smoothing scatterplots. Journal of the American Statistical Association, 74(368), 829–836. DOI: 10.1080/01621459.1979.10481038 ↗
- Cleveland, W. S., & Devlin, S. J. (1988). Locally weighted regression: an approach to regression analysis by local fitting. Journal of the American Statistical Association, 83(403), 596–610. DOI: 10.1080/01621459.1988.10478639 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Local Regression (LOESS / LOWESS). ScholarGate. https://scholargate.app/da/machine-learning/loess
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.
- Generaliseret Additiv Model (GAM)Maskinlæring↔ compare
- Polynomisk regressionStatistik↔ compare
- Regression- og smoothing-splinesMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →