6.4.1　K近鄰算法在高光譜地面實測數(shù)據(jù)礦物識別中的應用1.實驗數(shù)據(jù)選擇和預處理在第5章已經(jīng)介紹過,根據(jù)吸收波段的位置基本上可以確定礦物的類型、吸收深度、吸收寬度、面積與巖石中礦物成分的含量有關,等等。因此,既然從這...[繼續(xù)閱讀]

    決策樹學習是以實例為基礎的歸納學習算法,它著眼于從一組無次序、無規(guī)則的事例中推理出決策樹表示形式的分類規(guī)則,通常用來形成分類器,可以對未知數(shù)據(jù)進行分類。在各種決策樹分類的算法中,早期的是CLS學習算法和CART算法。最...[繼續(xù)閱讀]

    決策樹是一個類似流程圖的樹型結構,其中樹的每個內部節(jié)點代表對一個屬性的測試,其分支代表測試的每個結果,而樹的每個葉子節(jié)點代表一個類別,樹的最高層節(jié)點就是根節(jié)點,是整個決策樹的開始。...[繼續(xù)閱讀]

    屬性選擇度量作為一種選擇分裂準則在決策樹中扮演著十分重要的角色。它將給定的類標記的訓練數(shù)據(jù)集合劃分H按一定的準則分成個體類的啟發(fā)式方法。如果我們要根據(jù)分裂準則的輸出將H劃分成較小的劃分,理想地,每個劃分是純劃...[繼續(xù)閱讀]

    1.實驗數(shù)據(jù)選擇和預處理通過“基于演化數(shù)據(jù)挖掘的鈾礦床高光譜遙感信息處理軟件”從鈾黑和瀝青鈾礦的預處理光譜中提取光譜特征參數(shù),然后將光譜特征參數(shù)作為輸入,從而達到對光譜維降維的目的。但不同礦物的吸收峰數(shù)目和吸...[繼續(xù)閱讀]

    對于實驗中的高光譜遙感數(shù)據(jù),在242個波段中有很多反射率為0,或反射率為負的波段,但是實際情況下反射率是不可能為0或負的,因此這些波段被歸為壞波段,必須將其剔除,根據(jù)Hyperion數(shù)據(jù)的特點可知,其可用波段僅有150個,因此剔除不可...[繼續(xù)閱讀]

    貝葉斯分類是統(tǒng)計學分類方法,它可以預測類成員關系的可能性,如給定樣本屬于一個特定類的概率。它基于如下的假定,即待考查的量遵循某概率分布,且可根據(jù)這些概率及已觀察到的數(shù)據(jù)進行推理,以作出最優(yōu)的決策。樸素貝葉斯分類...[繼續(xù)閱讀]

    貝葉斯分類基于如下貝葉斯定理P(h|D)=(8.2.1)其中,D為訓練數(shù)據(jù);h∈H,而H為候選假設集合;P(h|D)稱為h的后驗概率(posteriorprobability),因為它反映了在看到訓練數(shù)據(jù)D后h成立的置信度;P(h)稱為h的先驗概率(priorprobability),它反映了關于h是一正確假...[繼續(xù)閱讀]

    8.3.1　貝葉斯算法在高光譜地面實測數(shù)據(jù)礦物識別中的應用1.實驗數(shù)據(jù)選擇和預處理通過“基于演化數(shù)據(jù)挖掘的鈾礦床高光譜遙感信息處理軟件”從鈾黑和瀝青鈾礦的預處理光譜曲線中提取光譜特征參數(shù)(表8-3-1),然后將光譜特征參數(shù)...[繼續(xù)閱讀]

    Kohavi提出了一種模型NBTree,它結合了決策樹和樸素貝葉斯網(wǎng)絡的特點,在決策樹的葉子節(jié)點上利用NB來分類,NBTree的思想是將數(shù)據(jù)分割成不同的區(qū)間,未分類的實例在C4.5的樹結構上自上而下地移動,并根據(jù)其屬性的取值到達不同的訓練空間...[繼續(xù)閱讀]