Robuste Lineare Regression
Robuste lineare Regression passt ein lineares Modell zwischen Prädiktoren und einem kontinuierlichen Ergebnis an, während einflussreiche Ausreißer heruntergewichtet oder verworfen werden, wodurch verhindert wird, dass die wenigen anomalen Beobachtungen, auf die OLS bekanntermaßen empfindlich reagiert, die gesamte geschätzte Linie verzerren. Hauptvarianten sind die Huber-Regression, iterativ neu gewichtete kleinste Quadrate (IRLS), RANSAC und die Theil-Sen-Schätzung.
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.
+1 more
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Linear Regression (Outlier-Resistant Estimation). ScholarGate. https://scholargate.app/de/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-RegressionMaschinelles Lernen↔ compare
- Lineare Regression (ML)Maschinelles Lernen↔ compare
- Quantile RegressionÖkonometrie↔ compare
- Regularisierte Lineare RegressionMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →