Robust lineær regression
Robust lineær regression tilpasser en lineær model mellem prædiktorer og et kontinuerligt udfaldsmål, samtidig med at den nedvægter eller forkaster indflydelsesrige outliers, hvilket forhindrer de få anomale observationer, som OLS er notorisk følsom over for, i at forvrænge hele den estimerede linje. Vigtige varianter inkluderer Huber-regression, iterativt re-vægtet mindste kvadraters metode (IRLS), RANSAC og Theil-Sen-estimering.
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.
+1 more
Kilder
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
- Rousseeuw, P. J. & Leroy, A. M. (1987). Robust Regression and Outlier Detection. Wiley. ISBN: 978-0-471-85233-9
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust Linear Regression (Outlier-Resistant Estimation). ScholarGate. https://scholargate.app/da/machine-learning/robust-linear-regression
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.
- Huber-regressionStatistik↔ compare
- Lasso-regressionMaskinlæring↔ compare
- Lineær regression (ML)Maskinlæring↔ compare
- KvantilregressionØkonometri↔ compare
- Regulariseret Lineær RegressionMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →