Machine learning

Τοπική Παλινδρόμηση LOESS / LOWESS

Το LOESS (locally estimated scatterplot smoothing), που εισήχθη από τον William Cleveland το 1979 και επεκτάθηκε με τη Susan Devlin το 1988, προσαρμόζει μια ομαλή καμπύλη στα δεδομένα εκτελώντας ξεχωριστή σταθμισμένη πολυωνυμική παλινδρόμηση στην περιοχή γύρω από κάθε σημείο. Οι κοντινές παρατηρήσεις μετρούν περισσότερο από τις μακρινές, οπότε η μέθοδος ακολουθεί την τοπική δομή χωρίς να υποθέτει καμία παγκόσμια συναρτησιακή μορφή, καθιστώντας την ένα δημοφιλές εργαλείο οπτικοποίησης για διαγράμματα διασποράς.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. 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
  2. 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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 2). Local Regression (LOESS / LOWESS). ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateLOESS (Local Regression (LOESS / LOWESS)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/loess · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026