.. DO NOT EDIT. .. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY. .. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE: .. "auto_examples/linear_model/plot_ransac.py" .. LINE NUMBERS ARE GIVEN BELOW. .. only:: html .. note:: :class: sphx-glr-download-link-note :ref:`Go to the end ` to download the full example code. or to run this example in your browser via JupyterLite or Binder .. rst-class:: sphx-glr-example-title .. _sphx_glr_auto_examples_linear_model_plot_ransac.py: =========================================== تقدير النموذج الخطي القوي باستخدام RANSAC =========================================== في هذا المثال، نرى كيفية ملاءمة نموذج خطي بشكل قوي لبيانات معيبة باستخدام خوارزمية :ref:`RANSAC `. المُرَجِّع الخطي العادي حساس للقيم الشاذة، ويمكن للخط المناسب أن يتحيز بسهولة بعيدًا عن العلاقة الأساسية الحقيقية للبيانات. يقوم مُرَجِّع RANSAC تلقائيًا بتقسيم البيانات إلى قيم داخلية وخارجية، ويتم تحديد الخط المناسب فقط من خلال القيم الداخلية المحددة. .. GENERATED FROM PYTHON SOURCE LINES 17-81 .. image-sg:: /auto_examples/linear_model/images/sphx_glr_plot_ransac_001.png :alt: plot ransac :srcset: /auto_examples/linear_model/images/sphx_glr_plot_ransac_001.png :class: sphx-glr-single-img .. rst-class:: sphx-glr-script-out .. code-block:: none المعاملات المقدرة (الحقيقية، الانحدار الخطي، RANSAC): 82.1903908407869 [54.17236387] [82.08533159] | .. code-block:: Python # المؤلفون: مطوري scikit-learn # معرف الترخيص: BSD-3-Clause import numpy as np from matplotlib import pyplot as plt from sklearn import datasets, linear_model n_samples = 1000 n_outliers = 50 X, y, coef = datasets.make_regression( n_samples=n_samples, n_features=1, n_informative=1, noise=10, coef=True, random_state=0, ) # إضافة بيانات شاذة np.random.seed(0) X[:n_outliers] = 3 + 0.5 * np.random.normal(size=(n_outliers, 1)) y[:n_outliers] = -3 + 10 * np.random.normal(size=n_outliers) # ملاءمة الخط باستخدام جميع البيانات lr = linear_model.LinearRegression() lr.fit(X, y) # ملاءمة النموذج الخطي بشكل قوي باستخدام خوارزمية RANSAC ransac = linear_model.RANSACRegressor() ransac.fit(X, y) inlier_mask = ransac.inlier_mask_ outlier_mask = np.logical_not(inlier_mask) # توقع بيانات النماذج المقدرة line_X = np.arange(X.min(), X.max())[:, np.newaxis] line_y = lr.predict(line_X) line_y_ransac = ransac.predict(line_X) # مقارنة المعاملات المقدرة print("المعاملات المقدرة (الحقيقية، الانحدار الخطي، RANSAC):") print(coef, lr.coef_, ransac.estimator_.coef_) lw = 2 plt.scatter( X[inlier_mask], y[inlier_mask], color="yellowgreen", marker=".", label="Inliers" ) plt.scatter( X[outlier_mask], y[outlier_mask], color="gold", marker=".", label="Outliers" ) plt.plot(line_X, line_y, color="navy", linewidth=lw, label="Linear regressor") plt.plot( line_X, line_y_ransac, color="cornflowerblue", linewidth=lw, label="RANSAC regressor", ) plt.legend(loc="lower right") plt.xlabel("Input") plt.ylabel("Response") plt.show() .. rst-class:: sphx-glr-timing **Total running time of the script:** (0 minutes 0.106 seconds) .. _sphx_glr_download_auto_examples_linear_model_plot_ransac.py: .. only:: html .. container:: sphx-glr-footer sphx-glr-footer-example .. container:: binder-badge .. image:: images/binder_badge_logo.svg :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/linear_model/plot_ransac.ipynb :alt: Launch binder :width: 150 px .. container:: lite-badge .. image:: images/jupyterlite_badge_logo.svg :target: ../../lite/lab/index.html?path=auto_examples/linear_model/plot_ransac.ipynb :alt: Launch JupyterLite :width: 150 px .. container:: sphx-glr-download sphx-glr-download-jupyter :download:`Download Jupyter notebook: plot_ransac.ipynb ` .. container:: sphx-glr-download sphx-glr-download-python :download:`Download Python source code: plot_ransac.py ` .. container:: sphx-glr-download sphx-glr-download-zip :download:`Download zipped: plot_ransac.zip ` .. include:: plot_ransac.recommendations .. only:: html .. rst-class:: sphx-glr-signature `Gallery generated by Sphinx-Gallery `_