Robust Linear Regression (Outlier-Resistant Estimation)
Pienimmän neliösumman menetelmä (OLS) neliöi jokaisen residuaalin, mikä tarkoittaa, että yksi äärimmäinen poikkeama voi vetää sovitetun suoran kauas oikealta kurssilta. Vankka regressio korvaa neliöidyn virheen häviöfunktiolla, joka kasvaa hitaammin suurille residuaaleille – esimerkiksi Huberin häviö, joka on neliöllinen lähellä nollaa mutta lineaarinen ääripäissä. Tuloksena on, että poikkeavat havainnot vaikuttavat kertoimien estimointiin paljon vähemmän, jolloin sovitettu suora heijastaa datan enemmistöä eikä sen ääripäitä. Lähestymistapa ei poista poikkeamia; se vain rajoittaa niiden vipuvoimaa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust Linear Regression (Outlier-Resistant Estimation). ScholarGate. https://scholargate.app/fi/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-regressioTilastotiede↔ compare
- Lasso-regressioKoneoppiminen↔ compare
- Lineaarinen regressio (ML)Koneoppiminen↔ compare
- KvanttiiliregressioEkonometria↔ compare
- Regularisoitu lineaarinen regressioKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →