模型擺放演算法

⑴ RANSAC演算法概述

RANSAC演算法是一種特別適用於處理數據異常值問題的通用參數估計方法。以下是關於RANSAC演算法的詳細概述：

1. 提出者與提出時間：

   • RANSAC演算法由Fischler和Bolles在1981年提出。

2. 核心策略：

   • 重新采樣策略：RANSAC演算法的核心在於通過挑選少量觀察點來構建模型候選，而不是依賴於大量數據。
   • 尋找一致內點：與傳統方法不同，RANSAC更側重於尋找一致的內點，而非最大化數據利用。

3. 基本流程：

   • 設定迭代次數：為確保異常值被排除的概率達到較高水平，需要設定一個較高的迭代次數。
   • 計算最小樣本點數：根據具體應用和所需模型的復雜度，計算每次迭代所需的最小樣本點數。
   • 隨機采樣與模型估計：在每次迭代中，演算法會選擇一個隨機樣本，並嘗試估計模型參數。
   • 一致性判斷：根據一致性標准判斷當前模型是否接受，通常是通過計算內點的數量或比例來決定。
   • 重復迭代：重復上述過程直至達到預設條件，如達到最大迭代次數或找到足夠好的模型。

4. 演算法特點：

   • 魯棒性：RANSAC演算法能夠處理包含大量異常值的數據集，通過不斷迭代和重新采樣來排除異常值。
   • 高效性：盡管需要多次迭代，但每次迭代只處理少量樣本點，因此整體計算效率較高。
   • 廣泛應用：在計算機視覺、圖像分析和幾何估計等領域表現出色，特別是在處理包含異常值的復雜數據集時。

5. 擴展與改進：

   • 最大似然框架：通過結合最大似然估計方法，可以進一步提高RANSAC演算法的性能和適應性。
   • 重要性抽樣：利用重要性抽樣技術可以優化樣本點的選擇過程，提高演算法的效率。

綜上所述，RANSAC演算法以其獨特的重新采樣策略和尋找一致內點的能力，在異常值處理中占據重要地位，並廣泛應用於計算機視覺和幾何估計等領域。

⑵ K-近鄰演算法簡介

1.K-近鄰(KNearestNeighbor,KNN)演算法簡介 ：對於一個未知的樣本，我們可以根據離它最近的k個樣本的類別來判斷它的類別。

以下圖為例，對於一個未知樣本綠色小圓，我們可以選取離它最近的3的樣本，其中包含了2個紅色三角形，1個藍色正方形，那麼我們可以判斷綠色小圓屬於紅色三角形這一類。
我們也可以選取離它最近的5個樣本，其中包含了3個藍色正方形，2個紅色三角形，那麼我們可以判斷綠色小圓屬於藍色正方形這一類。

3.API文檔

下面我們來對KNN演算法中的參數項做一個解釋說明：

'n_neighbors'：選取的參考對象的個數（鄰居個數），默認值為5，也可以自己指定數值，但不是n_neighbors的值越大分類效果越好，最佳值需要我們做一個驗證。
'weights': 距離的權重參數，默認uniform。
'uniform': 均勻的權重，所有的點在每一個類別中的權重是一樣的。簡單的說，就是每個點的重要性都是一樣的。
'distance'：權重與距離的倒數成正比，距離近的點重要性更高，對於結果的影響也更大。
'algorithm':運算方法，默認auto。
'auto'：根絕模型fit的數據自動選擇最合適的運算方法。
'ball_tree'：樹模型演算法BallTree
'kd_tree'：樹模型演算法KDTree
'brute'：暴力演算法
'leaf_size'：葉子的尺寸，默認30。只有當algorithm = 'ball_tree' or 'kd_tree'，這個參數需要設定。
'p'：閔可斯基距離，當p = 1時，選擇曼哈頓距離；當p = 2時，選擇歐式距離。
n_jobs：使用計算機處理器數目，默認為1。當n=-1時，使用所有的處理器進行運算。

4.應用案例演示
下面以Sklearn庫中自帶的數據集--手寫數字識別數據集為例，來測試下kNN演算法。上一章，我們簡單的介紹了機器學習的一般步驟：載入數據集 - 訓練模型 - 結果預測 - 保存模型。這一章我們還是按照這個步驟來執行。
[手寫數字識別數據集] https://scikit-learn.org/stable/moles/generated/sklearn.datasets.load_digits.html#sklearn.datasets.load_digits

5.模型的方法
每一種模型都有一些它獨有的屬性方法（模型的技能，能做些什麼事），下面我們來了解下knn演算法常用的的屬性方法。

6.knn演算法的優缺點
優點：
簡單，效果還不錯，適合多分類問題
缺點：
效率低（因為要計算預測樣本距離每個樣本點的距離，然後排序），效率會隨著樣本量的增加而降低。