LOESS / LOWESS Yerel Regresyonu
Local Regression (LOESS / LOWESS) · Ayrıca şöyle bilinir: LOWESS, local regression, locally weighted scatterplot smoothing, yerel regresyon
LOESS (yerel olarak tahmin edilen saçılım grafiği düzeltmesi), William Cleveland tarafından 1979'da tanıtılan ve 1988'de Susan Devlin ile genişletilen bu yöntem, her noktanın komşuluğunda ayrı bir ağırlıklı polinom regresyonu gerçekleştirerek verilere pürüzsüz bir eğri uydurur. Yakındaki gözlemler, uzaktakilerden daha fazla ağırlık alır, böylece yöntem, herhangi bir küresel fonksiyonel biçim varsaymadan yerel yapıyı takip eder, bu da onu saçılım grafikleri için popüler bir keşifsel düzelticisi yapar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir fonksiyonel biçim varsaymak istemediğinizde iki değişken arasındaki ilişkiyi görselleştirmek için keşifsel bir düzeltici olarak LOESS kullanın — örneğin, bir saçılım grafiğine bir eğilim çizgisi eklemek, gürültülü bir zaman serisini düzeltmek veya artıkların yapısını incelemek. Sezgisel ve esnektir ve sağlam varyant aykırı değerleri zarif bir şekilde ele alır. Maliyetleri hesaplama (değerlendirme noktası başına ayrı regresyon), yüksek boyutlarda kötü davranış (boyutsallık laneti onu bir veya iki tahminci ile sınırlar), güvenilmez dışdeğerleme ve kompakt kapalı biçimli bir denklemin yokluğudur. Yorumlanabilir bir parametrik özet istediğinizde, küresel bir model tercih edilir; birçok tahminci için, bir GAM içindeki splinelar veya diğer yöntemler daha iyi ölçeklenir.
Güçlü yönler & sınırlılıklar
- Verilerdeki yerel yapıyı izleyen esnek, varsayımsız düzeltme.
- Keşifsel görselleştirme ve saçılım grafiklerindeki eğilim çizgileri için mükemmeldir.
- Sağlam bir varyant, aykırı değerlerin etkisine direnir.
- Yalnızca sezgisel etkileri olan bir açıklık ve yerel derece seçilir.
- Hesaplama açısından pahalıdır, her değerlendirme noktasında yerel regresyon gerektirir.
- Boyutsallık lanetinden muzdariptir; yalnızca bir veya iki tahminci için pratiktir.
- Kompakt bir denklem üretmez ve verilerin ötesinde kötü dışdeğerleme yapar.
- Açıklığa duyarlıdır: çok büyük aşırı düzeltir, çok küçük aşırı uydurur.
SSS
LOESS'te açıklık nedir?
Açıklık (veya bant genişliği), her yerel regresyonda kullanılan veri kesridir. Daha büyük bir açıklık daha pürüzsüz ancak daha yanlı bir eğri üretir; daha küçük bir açıklık daha fazla yerel ayrıntıyı yakalar ancak daha gürültülüdür. Birincil ayarlama parametresidir ve genellikle pürüzsüzlük ile sadakat arasında bir denge kurmak için seçilir, bazen çapraz doğrulama yoluyla.
LOESS ve LOWESS arasındaki fark nedir?
Cleveland'ın çalışmalarından yakından ilişkili yerel regresyon düzelticilerini ifade ederler; LOWESS klasik olarak sağlam yerel olarak ağırlıklandırılmış saçılım grafiği düzelticisini belirtirken, LOESS genellikle daha yüksek dereceli yerel polinomlara ve çoklu tahmincilere izin veren daha genel yerel regresyon çerçevesini belirtir. Pratikte isimler sıklıkla birbirinin yerine kullanılır.
Neden çok sayıda tahminci ile LOESS kullanmamalıyım?
LOESS, her hedef noktanın yakınında yeterli sayıda komşu noktaya sahip olmaya dayanır. Yüksek boyutlarda veriler seyrek hale gelir — komşuluklar ya neredeyse boştur ya da yerel olamayacak kadar büyüktür — bu nedenle yöntem bozulur. Bir veya iki tahminci ile sınırlı olması en iyisidir; daha fazlası için, eklemeli splinelar veya diğer ölçeklenebilir yöntemler kullanın.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Local Regression (LOESS / LOWESS). ScholarGate. https://scholargate.app/tr/machine-learning/loess
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilmiş Toplanabilir Model (GAM)Makine öğrenmesi↔ karşılaştır
- Polinom Regresyonuİstatistik↔ karşılaştır
- Regresyon ve Yumuşatma Spline'larıMakine öğrenmesi↔ karşılaştır