Regressions- und Glättungssplines
Regressionssplines modellieren eine nichtlineare Beziehung durch Anpassung stückweiser Polynome, die sich an einer Menge von Punkten, den sogenannten Knoten, glatt verbinden. Kubische und natürliche Splines sind die gebräuchlichsten, und Glättungssplines fügen eine Rauhigkeitsstrafe hinzu, die automatisch die Anpassung gegen die Glätte abwägt. Splines sind der Standard-flexible Baustein für univariate nichtlineare Regression und die Grundlage verallgemeinerter additiver Modelle.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Regression and Smoothing Splines. ScholarGate. https://scholargate.app/de/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.
- Generalisiertes Additives Modell (GAM)Maschinelles Lernen↔ compare
- LOESS / LOWESS Lokale RegressionMaschinelles Lernen↔ compare
- Multivariate Adaptive Regression Splines (MARS)Maschinelles Lernen↔ compare
- Polynomiale RegressionStatistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →