1.监督分类
又称训练场地法,训练分类法
是以建立统计识别函数为理论基础,依据典型样本训练方法进行分类,根据已知训练区提供的样本,通过选择特征参数,求出特征参数作为决策规则,建立判别函数对各待分类影像进行的图像分类。
分有 正态贝叶斯分类、支持向量机分类、随机森林分类、K最近邻分类、决策树分类
1)正态贝叶斯分类 Normal Bays Classifier
可以处理特征值是连续数值的分类问题,核心对象是pie.Classifier.normalBayes
2)支持向量机分类 Supprot Vector Machine Classifier
是一种基于统计学理论的机器学习方法,在解决小样本、非线性和高维模式识别的问题中表现了很多特有的优势,核心对象为pie.Classifier.svm
3)随机森林Random Forest
一种由决策树构成的集成算法,预测准确率较高,对异常值、噪声具有很好的容忍度且不易过拟合,核心对象为pie.Classifier.rTrees
4)K最近邻分类kNN, k-NearestNeighbor
是数据挖掘分类技术中最简单的方法之一。每个样本都可以用它最接近的k个邻居来代替,核心对象pie.Classifier,knn
5)决策树分类Decision Tree Classification
会提出很多不同的问题,判断样本的某个特征,然后综合所有的判断给出样本的类别,核心对象pie.Classifier.dTrees
opacity:0为透明,1为不透明