模型摆放算法

⑴ RANSAC算法概述

RANSAC算法是一种特别适用于处理数据异常值问题的通用参数估计方法。以下是关于RANSAC算法的详细概述：

1. 提出者与提出时间：

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

2. 核心策略：

   • 重新采样策略：RANSAC算法的核心在于通过挑选少量观察点来构建模型候选，而不是依赖于大量数据。
   • 寻找一致内点：与传统方法不同，RANSAC更侧重于寻找一致的内点，而非最大化数据利用。

3. 基本流程：

   • 设定迭代次数：为确保异常值被排除的概率达到较高水平，需要设定一个较高的迭代次数。
   • 计算最小样本点数：根据具体应用和所需模型的复杂度，计算每次迭代所需的最小样本点数。
   • 随机采样与模型估计：在每次迭代中，算法会选择一个随机样本，并尝试估计模型参数。
   • 一致性判断：根据一致性标准判断当前模型是否接受，通常是通过计算内点的数量或比例来决定。
   • 重复迭代：重复上述过程直至达到预设条件，如达到最大迭代次数或找到足够好的模型。

4. 算法特点：

   • 鲁棒性：RANSAC算法能够处理包含大量异常值的数据集，通过不断迭代和重新采样来排除异常值。
   • 高效性：尽管需要多次迭代，但每次迭代只处理少量样本点，因此整体计算效率较高。
   • 广泛应用：在计算机视觉、图像分析和几何估计等领域表现出色，特别是在处理包含异常值的复杂数据集时。

5. 扩展与改进：

   • 最大似然框架：通过结合最大似然估计方法，可以进一步提高RANSAC算法的性能和适应性。
   • 重要性抽样：利用重要性抽样技术可以优化样本点的选择过程，提高算法的效率。

综上所述，RANSAC算法以其独特的重新采样策略和寻找一致内点的能力，在异常值处理中占据重要地位，并广泛应用于计算机视觉和几何估计等领域。

⑵ K-近邻算法简介

1.K-近邻(KNearestNeighbor,KNN)算法简介 ：对于一个未知的样本，我们可以根据离它最近的k个样本的类别来判断它的类别。

以下图为例，对于一个未知样本绿色小圆，我们可以选取离它最近的3的样本，其中包含了2个红色三角形，1个蓝色正方形，那么我们可以判断绿色小圆属于红色三角形这一类。
我们也可以选取离它最近的5个样本，其中包含了3个蓝色正方形，2个红色三角形，那么我们可以判断绿色小圆属于蓝色正方形这一类。

3.API文档

下面我们来对KNN算法中的参数项做一个解释说明：

'n_neighbors'：选取的参考对象的个数（邻居个数），默认值为5，也可以自己指定数值，但不是n_neighbors的值越大分类效果越好，最佳值需要我们做一个验证。
'weights': 距离的权重参数，默认uniform。
'uniform': 均匀的权重，所有的点在每一个类别中的权重是一样的。简单的说，就是每个点的重要性都是一样的。
'distance'：权重与距离的倒数成正比，距离近的点重要性更高，对于结果的影响也更大。
'algorithm':运算方法，默认auto。
'auto'：根绝模型fit的数据自动选择最合适的运算方法。
'ball_tree'：树模型算法BallTree
'kd_tree'：树模型算法KDTree
'brute'：暴力算法
'leaf_size'：叶子的尺寸，默认30。只有当algorithm = 'ball_tree' or 'kd_tree'，这个参数需要设定。
'p'：闵可斯基距离，当p = 1时，选择曼哈顿距离；当p = 2时，选择欧式距离。
n_jobs：使用计算机处理器数目，默认为1。当n=-1时，使用所有的处理器进行运算。

4.应用案例演示
下面以Sklearn库中自带的数据集--手写数字识别数据集为例，来测试下kNN算法。上一章，我们简单的介绍了机器学习的一般步骤：加载数据集 - 训练模型 - 结果预测 - 保存模型。这一章我们还是按照这个步骤来执行。
[手写数字识别数据集] https://scikit-learn.org/stable/moles/generated/sklearn.datasets.load_digits.html#sklearn.datasets.load_digits

5.模型的方法
每一种模型都有一些它独有的属性方法（模型的技能，能做些什么事），下面我们来了解下knn算法常用的的属性方法。

6.knn算法的优缺点
优点：
简单，效果还不错，适合多分类问题
缺点：
效率低（因为要计算预测样本距离每个样本点的距离，然后排序），效率会随着样本量的增加而降低。