支持向量机(SVM)是一种常用的机器学习算法,它可以用于高光谱图像分类。下面是使用 Python 实现 SVM 并对高光谱图像进行分类的示例代码:
# 导入所需的库
from sklearn import svm
import numpy as np
# 读取图像数据
X = np.load("image_data.npy")
y = np.load("image_labels.npy")
# 创建 SVM 分类器
clf = svm.SVC(kernel='linear', C=1, gamma='auto')
# 用 SVM 分类器训练模型
clf.fit(X, y)
# 使用训练好的模型对新数据进行分类
predictions = clf.predict(X_test)
对于可视化部分,你可以使用 matplotlib 库的 scatter 函数来绘制支持向量机分类的决策边界。
``` import matplotlib.pyplot as plt
绘制决策边界
h = .02 # 网格中的步长
创建网格,在数据的所有特征的范围内
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1 y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
将特征向量转化成平面
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
绘制结果
Z = Z.reshape(xx.shape) plt.contourf(xx, yy, Z, cmap=plt.cm.coolwarm, alpha=0.8)
绘制训练点
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm
好文推荐
发表评论