RANSAC regresija
RANSAC regresija ir robusta lineārās regresijas metode, ko 1981. gadā ieviesa Fišlers (Fischler) un Bolless (Bolles). Tā pielāgo modeli datu kopas iekšējiem punktiem (inliers), automātiski izslēdzot ārējos punktus (outliers). Tā vietā, lai pielāgotu visus datus vienlaicīgi, tā atkārtoti izlases veidā ņem mazas apakškopas, pielāgo kandidātu modeli un saglabā modeli, kas iegūst vislielāko vienprātīgu punktu skaitu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Fischler, M. A. & Bolles, R. C. (1981). Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography. Communications of the ACM, 24(6), 381-395. DOI: 10.1145/358669.358692 ↗
- Torr, P. H. S. & Zisserman, A. (2000). MLESAC: A New Robust Estimator with Application to Estimating Image Geometry. Computer Vision and Image Understanding, 78(1), 138-156. DOI: 10.1006/cviu.1999.0832 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Random Sample Consensus (RANSAC) Regression. ScholarGate. https://scholargate.app/lv/statistics/ransac-regression
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.
- Mazākās apgrieztās kvadrātiskās kļūdas (LTS) regresijaStatistika↔ compare
- Parastā mazāko kvadrātu (OLS) regresijaEkonometrija↔ compare
- Kvantīļu regresijaEkonometrija↔ compare
- Robustu kovariācijas novērtēšana (MCD)Statistika↔ compare
- Teila-Senas novērtētājsStatistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →