Machine learning
회귀 스플라인 및 스무딩 스플라인
회귀 스플라인은 매듭(knots)이라고 불리는 일련의 지점에서 부드럽게 연결되는 조각별 다항식을 적합하여 비선형 관계를 모델링합니다. 3차 스플라인과 자연 스플라인이 가장 일반적이며, 스무딩 스플라인은 적합도와 부드러움 사이의 균형을 자동으로 맞추는 거칠기 페널티를 추가합니다. 스플라인은 단변량 비선형 회귀를 위한 표준적인 유연한 구성 요소이며 일반화 가법 모델의 기초입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 2). Regression and Smoothing Splines. ScholarGate. https://scholargate.app/ko/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.
- 일반화 가법 모형 (GAM)머신러닝↔ compare
- LOESS / LOWESS 지역 회귀머신러닝↔ compare
- 다변량 적응 회귀 스플라인 (Multivariate Adaptive Regression Splines, MARS)머신러닝↔ compare
- 다항 회귀통계학↔ compare