Lokal regression med LOESS / LOWESS
LOESS (locally estimated scatterplot smoothing), introducerat av William Cleveland 1979 och utbyggt med Susan Devlin 1988, anpassar en jämn kurva genom data genom att utföra separat viktad polynomregression i närheten av varje punkt. Närliggande observationer väger tyngre än avlägsna, så metoden följer lokal struktur utan att anta någon global funktionsform, vilket gör den till en populär explorativ utjämnare för spridningsdiagram.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Local Regression (LOESS / LOWESS). ScholarGate. https://scholargate.app/sv/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.
- Generaliserad additiv modell (GAM)Maskininlärning↔ compare
- PolynomregressionStatistik↔ compare
- Regressions- och utjämningssplinesMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →