Regression and Smoothing Splines
Próba dopasowania pojedynczego wielomianu wysokiego stopnia do zakrzywionych danych jest notorycznie niestabilna — wije się gwałtownie, zwłaszcza na brzegach. Splajny rozwiązują ten problem, dzieląc zakres na segmenty w węzłach i dopasowując wielomian niskiego stopnia (zwykle sześcienny) w każdym z nich, jednocześnie wymuszając płynne połączenie odcinków — ta sama wartość, nachylenie i krzywizna w każdym węźle. Wynikiem jest gładka krzywa, która może podążać za lokalną strukturą bez globalnej niestabilności wielomianów wysokiego stopnia. Splajn wygładzający idzie o krok dalej, umieszczając węzeł w każdym punkcie danych i zamiast tego kontrolując elastyczność poprzez karę za krzywiznę.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 2). Regression and Smoothing Splines. ScholarGate. https://scholargate.app/pl/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.
- Uogólniony model addytywny (GAM)Uczenie maszynowe↔ compare
- Regresja lokalna LOESS / LOWESSUczenie maszynowe↔ compare
- Wielowymiarowe adaptacyjne splajny regresyjne (MARS)Uczenie maszynowe↔ compare
- Regresja wielomianowaStatystyka↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →