LOESS / LOWESS Lokale Regressie
LOESS (locally estimated scatterplot smoothing), geïntroduceerd door William Cleveland in 1979 en uitgebreid met Susan Devlin in 1988, past een gladde curve door data toe door een afzonderlijke gewogen polynomiale regressie uit te voeren in de buurt van elk punt. Nabijgelegen observaties tellen zwaarder dan verre, zodat de methode lokale structuur volgt zonder enige globale functionele vorm aan te nemen, wat het een populaire verkennende smoother maakt voor scatterplots.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Local Regression (LOESS / LOWESS). ScholarGate. https://scholargate.app/nl/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.
- Generaliseerde Additieve Modellen (GAM)Machine learning↔ compare
- PolynoomregressieStatistiek↔ compare
- Regressie- en smoothing splinesMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →