Regression and Smoothing Splines
Pokušaj uklapanja jednog polinoma visokog stepena na zakrivljene podatke notorno je nestabilan — divlje se talasa, posebno na ivicama. Splajn funkcije ovo rešavaju tako što dele opseg na segmente u čvorovima i uklapaju polinom niskog stepena (obično kubni) unutar svakog, dok sile da se delovi spajaju besprekorno — ista vrednost, nagib i zakrivljenost u svakom čvoru. Rezultat je glatka kriva koja može da prati lokalnu strukturu bez globalne nestabilnosti polinoma visokog stepena. Glatka splajn funkcija ovo dodatno proširuje postavljanjem čvora na svaku tačku podataka i umesto toga kontroliše fleksibilnost kroz kaznu za zakrivljenost.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Regression and Smoothing Splines. ScholarGate. https://scholargate.app/sr/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.
- Generalizovani aditivni model (GAM)Mašinsko učenje↔ compare
- LOESS / LOWESS lokalna regresijaMašinsko učenje↔ compare
- Višestruke adaptivne regresione splajnovi (MARS)Mašinsko učenje↔ compare
- Polinomijalna regresijaStatistika↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →