RANSAC Regresyonu
Random Sample Consensus (RANSAC) Regression · Ayrıca şöyle bilinir: random sample consensus, RANSAC, robust regression, RANSAC Regresyonu
RANSAC Regresyonu, 1981'de Fischler ve Bolles tarafından tanıtılan, bir veri kümesinin doğru noktalarına bir model uyduran ve aykırı değerleri otomatik olarak dışlayan sağlam bir doğrusal regresyon yöntemidir. Tüm veriyi bir kerede uydurmak yerine, tekrarlı olarak küçük alt kümeler örnekler, bir aday model uydurur ve en büyük uyumlu nokta konsensüsünü kazanan modeli saklar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
RANSAC Regresyonu, ilişkinin yaklaşık olarak doğrusal olduğu, sonucun sürekli olduğu ve verilerin otomatik olarak dışlanmasını istediğiniz önemli oranda aykırı değer içerebileceği durumlarda iyi bir uyum sağlar. Güvenilir bir konsensüs bulabilmesi için makul bir örneklem (yaklaşık 30 gözlem veya daha fazla) gerektirir ve doğru noktaların altta yatan modeli gerçekte temsil ettiği durumlarda en iyi şekilde çalışır. Çok küçük örneklemler veya aykırı değer oranının temiz bir konsensüs bulmayı pratik olmaktan çıkardığı durumlar için daha az uygundur.
Güçlü yönler & sınırlılıklar
- Yüksek oranda aykırı değeri tolere eder ve bunları uydurmadan otomatik olarak dışlar.
- Normal dağılımlı hatalar gerektirmez.
- Adi regresyon gibi yorumlanan doğrusal bir model verir, ancak yalnızca doğru noktalar üzerinde tahmin edilir.
- Çok küçük örneklemlerde (n < 20) rastgele örnekleme güvenilir bir konsensüs bulamaz.
- Aykırı değer oranı çok yüksek olduğunda (yaklaşık %25'in üzerinde), gereken deneme sayısı dik bir şekilde artar ve deterministik bir sağlam yöntem tercih edilir.
- Sonuçlar artık eşiği ve deneme sayısına bağlıdır, bu nedenle farklı ayarlar farklı doğru nokta kümeleri verebilir.
SSS
RANSAC adi en küçük karelerden nasıl farklıdır?
OLS tüm noktaları bir kerede uydurur ve her noktanın karesel hatasını en aza indirdiği için aykırı değerlerden kolayca sapar. RANSAC bunun yerine doğru noktaların bir konsensüsüne uyar ve aykırı değerleri atar, böylece birkaç bariz hata çizgiyi bozmaz.
RANSAC kaç aykırı değeri kaldırabilir?
Yüksek aykırı değer oranını tolere edebilir, ancak oran arttıkça temiz bir konsensüs bulmak için gereken rastgele deneme sayısı keskin bir şekilde artar. Kabaca %25'in üzerinde aykırı değer olduğunda, en az kırpılmış kareler gibi deterministik bir sağlam yöntem genellikle tercih edilir.
Artık eşiği ne işe yarar?
Artık eşiği, bir noktanın bir aday model olarak kabul edilmesi için ne kadar yakın olması gerektiğini tanımlar. Hangi noktaların konsensüs kümesine gireceğini doğrudan kontrol eder, bu nedenle dikkatle ayarlanmalı ve sonucuna etkisi kontrol edilmelidir.
Theil-Sen'i ne zaman kullanmalıyım?
Örneklem çok küçük olduğunda (yaklaşık 20 gözlemden az), RANSAC'ın rastgele örneklemesi güvenilir bir konsensüs bulamaz. Deterministik olan Theil-Sen tahmincisi, bu durumda daha güvenilir bir sağlam alternatiftir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Random Sample Consensus (RANSAC) Regression. ScholarGate. https://scholargate.app/tr/statistics/ransac-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- En Az Kırpılmış Kareler (EAK) Regresyonuİstatistik↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Sağlam Kovaryans Tahmini (MCD)İstatistik↔ karşılaştır
- Theil-Sen Tahmincisiİstatistik↔ karşılaştır