Sebuah model sederhana dengan kelemahan serius: garis lurus mungkin terlihat meyakinkan hingga pengukuran buruk menariknya keluar dari jalur. Regresi linear tetap berharga untuk interpretasi fisik, perangkat dengan sumber daya terbatas, dan latensi komputasi, tetapi Ordinary Least Squares menganggap setiap observasi dapat dipercaya. Sensor yang rusak, kesalahan komunikasi, atau pengukuran yang bias dapat menghasilkan observasi yang jauh dari hubungan yang diinginkan. Karena OLS mengkuadratkan setiap residual, beberapa observasi seperti itu dapat memiliki efek yang tidak proporsional. Estimator robust mencoba mencegah observasi tersebut mendominasi penyesuaian. Gambar 1 dan 2 menunjukkan seberapa cepat gambaran dapat berubah. Dengan observasi yang bersih, OLS mengikuti hubungan nominal dengan erat. Setelah 30% respons diganti dengan outlier, estimator yang sama ditarik dengan tajam. Namun, penyesuaian robust yang representatif tetap lebih dekat dengan hubungan yang didukung oleh observasi nominal. Artikel ini membandingkan OLS sebagai baseline non-robust dengan lima estimator robust: regresi Huber, RANSAC, Graduated Non-Convexity dengan loss Geman-McClure, GNC dengan loss Truncated Least-Squares, dan Adaptive Selective Outlier Rejecting. Estimator dievaluasi menggunakan error prediksi dan waktu eksekusi untuk menangkap baik akurasi statistik maupun efisiensi komputasi. Penulis mengembangkan ASOR dalam studi asli yang dikutip, memastikan perbandingan yang transparan dengan pengaturan yang didokumentasikan di seluruh realisasi Monte Carlo.

Entitas Kunci: Perusahaan: Towards Data Science | Orang: Legendre, Huber, Fischler dan Bolles, Geman, Mc Clure, Yang, Chughtai