26 来自计算机视觉领域，我经常使用RANSAC（随机样本共识）方法将模型拟合到具有许多异常值的数据。 但是，我从未见过统计学家使用过这种方法，而且一直给人一种不被认为是“统计上合理”的方法的印象。为什么？它本质上是随机的，这使得分析起来更加困难，但是引导方法也是如此。 还是仅仅是一个学术孤岛不互相交谈的情况？ outliers bootstrap robust — Bossykena source 1 我想知道关于计算机视觉方法与统计方法的一件事：首先必须具有性能。在性能和“正确性”之间可能需要权衡取舍，并且计算机视觉和统计数据对这些变量的权重不同。 — 卢卡斯·里斯
10 我认为这里的关键是在RANSAC中丢弃很大一部分数据。 在大多数统计应用中，某些分布可能会出现繁重的尾巴，因此，较小的样本数量可能会使统计估计值产生偏差。稳健的估算器通过对数据进行加权加权来解决此问题。另一方面，RANSAC并未尝试容纳异常值，它是为数据点确实不属于而不只是非正态分布的情况而构建的。 — 布比 source 1 好答案。我已经看到RANSAC在简历中最常用于估计单应性。当我们知道某些相应的测量结果非常不可靠时，这是使用最广泛的方法。而且，实时性能和其他考虑因素使该技术非常流行，因为它很容易并行化。 — 卡2015年
7 对我们来说，这只是稳健回归的一个例子-我相信统计学家也使用它，但可能范围不广，因为它有一些众所周知的替代方法。 1 您能举个例子吗？我想调查一下。 — Bossykena 2010年 5 最著名和最简单的是中位数-中位数回归，这在智能计算器中广为人知（叹气！）。另请参阅 Wikipedia en.wikipedia.org/wiki/Robust_regression以及CRAN的鲁棒任务视图cran.r-project.org/web/views/Robust.html 是否有RANSAC的替代品，不仅可以为您提供无偏回归，还可以提供从中估算模型的数据点？谢谢 — Valerio
2 这听起来很像套袋，这是一种经常使用的技术。 — 扎克 source 3 RANSAC非常不同-在装袋中，以某种方式考虑了所有样品。如果要完全丢弃多达50％的数据，则使用RANSAC。 — nbubis
1 您可以使用RANSAC丢弃数据，但可能无需证明其合理性，而是基于增加模型的拟合度。丢弃数据以增加拟合度通常是避开的，因为您可能会丢失重要数据。在没有理由的情况下删除异常值始终是有问题的。 当然有可能证明这一点。例如，如果您知道数据应遵循给定的模式，但是由于测量误差，数据也将与模式存在偏差。 — 负反馈环 source