知识卡片
RANSAC鲁棒回归
异常值会严重影响线性回归,少量样本即可大幅改变参数估计。随机抽样一致性(RANSAC)用数据子集(内点 inlier)拟合模型以抵抗异常值。流程五步:①随机抽样构建内点集拟合模型;②用剩余数据测试,把落在公差内的点加入内点集;③用全部内点重拟合;④用内点估计误差;⑤达阈值或迭代次数则停止否则回到①。scikit-learn 的 RANSACRegressor 设 max_trials=100、min_samples=50、residual_threshold=5.0;默认用 MAD(中位数绝对偏差)设内点阈值,但阈值选择与具体问题相关是 RANSAC 的一个难点。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 使用回归分析预测连续型目标变量 · 查看原书依据
作为清除异常值的一种高鲁棒性回归方法,在此我们将学习随机抽样一致性(RANdom SAmple Consensus,RANSAC)算法,使用数据的一个子集(即所谓的内点,inlier)来进行回归模型的拟合。
参考来源
- 位置:《Python机器学习》第10章《10.4 使用RANSAC拟合高鲁棒性回归模型》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0130.xhtml.xhtml)
- 结论依据:原文直接支撑上述要点。
- 原始内容:作为清除异常值的一种高鲁棒性回归方法,在此我们将学习随机抽样一致性(RANdom SAmple Consensus,RANSAC)算法,使用数据的一个子集(即所谓的内点,inlier)来进行回归模型的拟合。