Machine learningMachine learning
강건 선형 회귀
강건 선형 회귀는 예측 변수와 연속형 결과 변수 간의 선형 모델을 적합시키면서 영향력 있는 이상치를 가중치를 줄이거나 제거하여, 최소제곱법(OLS)이 매우 민감하게 반응하는 소수의 이상 관측치가 전체 추정선을 왜곡하는 것을 방지합니다. 주요 변형으로는 허버 회귀(Huber regression), 반복 재가중치 최소제곱법(IRLS), RANSAC, 그리고 Theil-Sen 추정법이 있습니다.
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.
+1 more
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust Linear Regression (Outlier-Resistant Estimation). ScholarGate. https://scholargate.app/ko/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.
- 허버 회귀통계학↔ compare
- 라쏘 회귀머신러닝↔ compare
- 선형 회귀 (ML)머신러닝↔ compare
- 조건부 분위수 회귀계량경제학↔ compare
- 정규화 선형 회귀머신러닝↔ compare