用Python对一系列数据进行分类的最佳方法
我一直在研究图像处理问题，我对一组图像进行了预处理，以找到这些图像中最突出的水平线。基于这些数据，我想对图像的透视角度进行分类 数据点是我能够在一系列图像中检测到的线的角度。基于图像的透视图，我知道这些数据有时代表“好角度”图像，而在其他一些情况下，它代表“坏角度”图像 我尝试了np.polyfit，寻找直线的斜率，寻找斜率的导数，以及其他几种方法，但仅仅通过查看这些数据无法找到一个如此明显的简单度量 这些都是“好角度”的例子。你可以注意到它们是从正面开始的，然后是负面的 良好的角度数据用Python对一系列数据进行分类的最佳方法,python,numpy,opencv,statistics,regression,Python,Numpy,Opencv,Statistics,Regression,我一直在研究图像处理问题，我对一组图像进行了预处理，以找到这些图像中最突出的水平线。基于这些数据，我想对图像的透视角度进行分类 数据点是我能够在一系列图像中检测到的线的角度。基于图像的透视图，我知道这些数据有时代表“好角度”图像，而在其他一些情况下，它代表“坏角度”图像 我尝试了np.polyfit，寻找直线的斜率，寻找斜率的导数，以及其他几种方法，但仅仅通过查看这些数据无法找到一个如此明显的简单度量 这些都是“好角度”的例子。你可以注意到它们是从正面开始的，然后是负面的 良好的角度数据 [7.
[7.97，7.99，9.01，5.07，5.01，14.81，8.86，-2.11，-0.86，1.06，0.86，0.0，0.0，0.0，0.0，0.0，0.0，0.97，0.92，-0.95，-2.05，-2.2，-2.78，-2.93，-2.8，-2.99，-2.88，-2.94，-2.81，-3.04，-3.0][3.96,4.12,6.04,6.03,6.08,5.99,6.99,6.81,6.81,6.1,4.06,3.98,4.03,3.92,3.95,3.84,3.94,4.07,3.95,3.87,2.65,1.88,0.0,0.94,1.81,1.81,3.95,4.0,3.93][8.75、10.06、9.02、9.96、9.89、10.08、9.99、10.0、10.02、9.95、4.04、4.03、3.93、-1.18、-0.95、-1.12、-1.02、-1.76、-1.92、-2.06、-5.99、-5.83、-6.01、-4.96、-7.84、-7.67][-13.92、-14.93、-4.11、-4.04、-2.18、17.12、18.01、16.91、15.95、16.75、14.16、14.04][-14.93、-14.93、-7.92、-4.04、-5.91、-4.98、16.08、16.26、16.24][11.81、-9.77、-10.2、-9.96、-10.09、-6.81、2.13、3.02、2.77、3.01、2.78、5.92、5.96、5.93、2.96、3.06、1.03、2.94、6.2、5.81、5.04、7.13、5.89、5.09、4.89、3.91、4.15、17.99、6.04、5.67、7.24、16.34、17.02、16.92、15.99、16.93]由于这是基于从真实图像中捕获的数据，因此数据集中确实存在一些不规则现象。我希望避免出现任何小故障，并使用一个可以将数组分为角度好还是角度坏的度量。如果您有足够的数据，最简单的方法是比较二进制
分类器，并选择训练分数收敛最好的分类器。如果您有足够的数据，最简单的方法是比较二进制
分类器，并选择训练分数收敛最好的分类器。如果我的假设是真的，我看不出任何复杂分类器的理由。我会简单地检查角度是否总是变大或变小。每次遵循此规则时，您都会向质量计数器添加1。如果违反规则，则质量计数器将减少1。最后，将质量计数器除以测量角度的总量->然后确定一个良好质量比的阈值
如果我不能更好地理解这个问题，很抱歉-一张真实的图像可能会有很大帮助。如果我的假设是正确的，我看不出任何复杂分类器的理由。我会简单地检查角度是否总是变大或变小。每次遵循此规则时，您都会向质量计数器添加1。如果违反规则，则质量计数器将减少1。最后，将质量计数器除以测量角度的总量->然后确定一个良好质量比的阈值 对不起，如果我不能更好地理解这个问题，一张真实的图片会有很大帮助