python,sklearn,svm,遙感數(shù)據(jù)分類,代碼實例,數(shù)據(jù),函數(shù),精度,遙感,路徑

python,sklearn,svm,遙感數(shù)據(jù)分類,代碼實例

易采站長站，站長之家為您整理了python,sklearn,svm,遙感數(shù)據(jù)分類,代碼實例的相關(guān)內(nèi)容。

@python,sklearn,svm,遙感數(shù)據(jù)分類,代碼實例

python_sklearn_svm遙感數(shù)據(jù)分類代碼實例

(1)svm原理簡述

支持向量機(jī)(Support Vector Machine，即SVM)是包括分類(Classification)、回歸(Regression)和異常檢測(Outlier Detection)等一系列監(jiān)督學(xué)習(xí)算法的總稱。對于分類，SVM最初用于解決二分類問題，多分類問題可通過構(gòu)建多個SVM分類器解決。SVM具有兩大特點：1.尋求最優(yōu)分類邊界，即求解出能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面，這是SVM的基本思想；2.基于核函數(shù)的擴(kuò)維變換，即通過核函數(shù)的特征變換對線性不可分的原始數(shù)據(jù)集進(jìn)行升維變換，使其線性可分。因此SVM最核心的過程是核函數(shù)和參數(shù)選擇。

(2)svm實現(xiàn)環(huán)境解析

設(shè)置中文輸出代碼兼容格式及引用的庫函數(shù),用于精度評估的庫函數(shù)，以及svm參數(shù)尋優(yōu)等。

下面展示一些內(nèi)聯(lián)代碼片。

-*- coding: utf-8 -*-

#用于精度評價

from sklearn.metrics import cohen_kappa_score

from sklearn.metrics import accuracy_score

from sklearn.metrics import confusion_matrix

#numpy引用

import numpy as np

#記錄運行時間

import datetime

#文件路徑操作

import os

#svm and best parameter select using grid search method

from sklearn import svm

from sklearn.model_selection import GridSearchCV

#scale the data to 0-1 用于數(shù)據(jù)歸一化

from sklearn import preprocessing

(3)svm函數(shù)參數(shù)尋優(yōu)

SVM參數(shù)尋優(yōu)的實現(xiàn)，有兩種常用方法，一種是網(wǎng)格搜索法(本文中的)，另一種是使用libsvm工具通過交叉驗證實現(xiàn)(后面再寫，有興趣的可以留言)。

def grid_find(train_data_x,train_data_y):

# 10 is often helpful. Using a basis of 2, a finer.tuning can be achieved but at a much higher cost.

# logspace(a,b,N),base默認(rèn)=10，把10的a次方到10的b次方區(qū)間分成N份。

C_range = np.logspace(-5, 9, 8, base=2)

# 如：C_range = 1/64,1/8,1/2,2,8,32,128,512

gamma_range = np.logspace(-15, 3, 10, base=2)

# 選擇linear線性核函數(shù)和rbf核函數(shù)

parameters = {'kernel': ('linear', 'rbf'), 'C': C_range, 'gamma': gamma_range}

svr = svm.SVC()

# n_jobs表示并行運算量，可加快程序運行結(jié)果。

# 此處選擇5折交叉驗證，10折交叉驗證也是常用的。

clf = GridSearchCV(svr, parameters, cv=5, n_jobs=4)

# 進(jìn)行模型訓(xùn)練

clf.fit(train_data_x, train_data_y)

print('最優(yōu)c,g參數(shù)為:{0}'.format(clf.best_params_))

# 返回最優(yōu)模型結(jié)果

svm_model = clf.best_estimator_

return svm_model

更多關(guān)于網(wǎng)格搜索法：

(4)數(shù)據(jù)讀取函數(shù)編寫(讀取txt格式的訓(xùn)練與測試文件)

首先是讀取txt格式的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的函數(shù)。

數(shù)據(jù)截圖如下，其中，前6列數(shù)據(jù)代表通過遙感影像感興趣區(qū)(roi)提取出的6個波段的灰度值，最后一列代表數(shù)據(jù)類別的標(biāo)簽。

代碼如下，僅需輸入文件路徑即可：

def open_txt_film(filepath):

# open the film

if os.path.exists(filepath):

with open(filepath, mode='r') as f:

train_data_str = np.loadtxt(f, delimiter=' ')

print('訓(xùn)練(以及測試)數(shù)據(jù)的行列數(shù)為{}'.format(train_data_str.shape))

return train_data_str

else:

print('輸入txt文件路徑錯誤，請重新輸入文件路徑')

(5)svm模型預(yù)測函數(shù)編寫

輸入模型與測試數(shù)據(jù)，輸出精度評估(包括混淆矩陣，制圖精度等等)。

def model_process(svm_model, test_data_x, test_data_y):

p_lable = svm_model.predict(test_data_x)

# 精確度為 生產(chǎn)者精度 召回率為 用戶精度

print('總體精度為 : {}'.format(accuracy_score(test_data_y, p_lable)))

print('混淆矩陣為 :\n {}'.format(confusion_matrix(test_data_y, p_lable)))

print('kappa系數(shù)為 :\n {}'.format(cohen_kappa_score(test_data_y, p_lable)))

matric = confusion_matrix(test_data_y, p_lable)

# output the accuracy of each category。由于類別標(biāo)簽是從1開始的，因此明確數(shù)據(jù)中最大值，即可知道有多少類

for category in range(np.max(test_data_y)):

# add 0.0 to keep the float type of output

precise = (matric[category, category] + 0.0) / np.sum(matric[category, :])

recall = (matric[category, category] + 0.0) / np.sum(matric[:, category])

f1_score = 2 * (precise * recall) / (recall + precise)

print(

'類別{}的生產(chǎn)者、制圖(recall)精度為{:.4} 用戶(precision)精度為{:.4} F1 score 為{:.4} '.format(category + 1, precise, recall, f1_score))

(6)主函數(shù)編寫

主函數(shù)主要負(fù)責(zé)：讀取數(shù)據(jù)，預(yù)處理數(shù)據(jù)，以及參數(shù)尋優(yōu)、模型訓(xùn)練和模型預(yù)測。

針對不同的數(shù)據(jù)集，每次使用，僅僅需要修改訓(xùn)練與測試數(shù)據(jù)的路徑即可。

def main():

# read the train data from txt film

train_file_path = r'E:\CSDN\data1\train.txt'

train_data = open_txt_film(train_file_path)

# read the predict data from txt film

test_file_path = r'E:\CSDN\data1\test.txt'

test_data = open_txt_film(test_file_path)

# data normalization for svm training and testing dataset

scaler = preprocessing.MinMaxScaler().fit(train_data[:, :-1])

train_data[:, :-1] = scaler.transform(train_data[:, :-1])

# keep the same scale of the train data

test_data[:, :-1] = scaler.transform(test_data[:, :-1])

# conversion the type of data,and the label's dimension to 1-d

train_data_y = train_data[:, -1:].astype('int')

train_data_y = train_data_y.reshape(len(train_data_y))

train_data_x = train_data[:, :-1] # 取出測試數(shù)據(jù)灰度值和標(biāo)簽值，并將2維標(biāo)簽轉(zhuǎn)為1維

test_data_x = test_data[:, :-1] test_data_y = test_data[:, -1:].astype('int')

test_data_y = test_data_y.reshape(len(test_data_y))

model = grid_find(train_data_x,train_data_y)

# 模型預(yù)測

model_process(model, test_data_x, test_data_y)

(7)調(diào)用主函數(shù)

這里新增了幾行代碼用于記錄程序運行時間。

if __name__ == "__main__":

# remember the beginning time of the program

start_time = datetime.datetime.now()

print("start...%s" % start_time)

main()

# record the running time of program with the unit of minutes

end_time = datetime.datetime.now()

last_time = (end_time - start_time).seconds / 60

print("The program is last %s" % last_time + " minutes")

# print("The program is last {} seconds".format(last_time))

(8)訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)實例下載地址

數(shù)據(jù)在作者的github倉庫下，共兩個文件(train.txt 和 test.txt) 。

[下載鏈接]: (https://github.com/sunzhihu123/sunzhihu123.github.io)

倉庫下點擊下載即可，如圖：

==本文優(yōu)點：僅有兩個輸入，一個是訓(xùn)練數(shù)據(jù)的路徑，一個是測試數(shù)據(jù)的路徑，輕松上手；并且以遙感圖像數(shù)據(jù)為例。另外github將會整體上傳源碼哦~

作者：huhu_xq以上就是關(guān)于對python,sklearn,svm,遙感數(shù)據(jù)分類,代碼實例的詳細(xì)介紹。歡迎大家對python,sklearn,svm,遙感數(shù)據(jù)分類,代碼實例內(nèi)容提出寶貴意見

總結(jié)

以上是生活随笔為你收集整理的python遥感影像分类代码_python,sklearn,svm,遥感数据分类,代码实例的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。