我下面的解决方案是基于RANSAC算法的。它是将一个数学模型(如直线)拟合到含有大量离群值的数据的方法。在
RANSAC是来自robust regression字段的一种特定方法。在
我下面的解决方案首先符合RANSAC的一条线。然后从数据集中删除靠近这条线的数据点(这与保留离群值相同)，再次拟合RANSAC，删除数据等，直到只剩下很少的点。在
这种方法总是有与数据相关的参数(例如噪声级或线路的接近度)。在下面的解决方案中，MIN_SAMPLES和residual_threshold是参数，可能需要对数据结构进行一些调整：import matplotlib.pyplot as plt
import numpy as np
from sklearn import linear_model
MIN_SAMPLES = 3
x = np.linspace(0, 2, 100)
xs, ys = [], []
# generate points for thee lines described by a and b,
# we also add some noise:
for a, b in [(1.0, 2), (0.5, 1), (1.2, -1)]:
xs = np.array(xs)
ys = np.array(ys)
plt.plot(xs, ys, "r.")
colors = "rgbky"
idx = 0
while len(xs) >
本文发布于:2024-02-05 05:02:07，感谢您对本站的认可！
本文链接：https://www.4u4v.net/it/170724736163265.html
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。
| 留言与评论（共有 0 条评论） |
