Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
Ensemble phương pháp phân loại phân loại MỘT SỐ đào tạo và kết hợp kết quả của họ Thông qua một quá trình bỏ phiếu. Nhiều bài phân loại [1,2] có Been đề xuất. Luận văn phân loại phân loại bao gồm lý thuyết thống nhất [3] và Ban máy [4]. Tăng cường Được sử dụng rộng rãi và đóng bao được tất cả các phương pháp. Đóng bao (hoặc Bootstrap tổng hợp) [5] được dựa trên phân loại đào tạo trên các mẫu bootstrapped Nhiều từ tập huấn luyện và đã-được Shown để giảm phương sai của phân loại. . | 3 Random Forest Classification of Remote Sensing Data Sveinn R. Joelsson Jon Atli Benediktsson and Johannes R. Sveinsson CONTENTS 3.1 Introduction.61 3.2 The Random Forest Classifier.62 3.2.1 Derived Parameters for Random Forests.63 3.2.1.1 Out-of-Bag Error.63 3.2.1.2 Variable Importance.63 3.2.1.3 Proximities.63 3.3 The Building Blocks of Random Forests.64 3.3.1 Classification and Regression Tree.64 3.3.2 Binary Hierarchy Classifier Trees . 64 3.4 Different Implementations of Random Forests.65 3.4.1 Random Forest Classification and Regression Tree.65 3.4.2 Random Forest Binary Hierarchical Classifier.65 3.5 Experimental Results.65 3.5.1 Classification of a Multi-Source Data Set.65 3.5.1.1 The Anderson River Data Set Examined with a Single CART Tree.69 3.5.1.2 The Anderson River Data Set Examined with the BHC Approach.71 3.5.2 Experiments with Hyperspectral Data.72 3.6 Conclusions.77 Acknowledgment. 77 References . 77 3.1 Introduction Ensemble classification methods train several classifiers and combine their results through a voting process. Many ensemble classifiers 1 2 have been proposed. These classifiers include consensus theoretic classifiers 3 and committee machines 4 . Boosting and bagging are widely used ensemble methods. Bagging or bootstrap aggregating 5 is based on training many classifiers on bootstrapped samples from the training set and has been shown to reduce the variance of the classification. In contrast boosting uses iterative re-training where the incorrectly classified samples are given more weight in 61 2008 by Taylor Francis Group LLC 62 Image Processing for Remote Sensing successive training iterations. This makes the algorithm slow much slower than bagging while in most cases it is considerably more accurate than bagging. Boosting generally reduces both the variance and the bias of the classification and has been shown to be a very accurate classification method. However it has various drawbacks it is computationally demanding it can .
