GEE學習筆記5 隨機森林

在gee中，隨機森林的介紹如下圖：

/***********************已分好訓練樣本和實驗樣本******************************/

print
("sam1_trainingpartition:"
,sam1_trainingpartition)
;print
("sam1_testingpartition:"
,sam1_testingpartition)
;// 通過選取樣本，把landcover屬性賦予樣本
//bands為資料集中波段組合
var trainingpartition =
s1s2
.select
(bands)
.sampleregions()
;var testingpartition =
s1s2
.select
(bands)
.sampleregions()
;//先把棵樹設定成10，後面會選擇最優棵樹
var trainedclassifier = ee.classifier.
smilerandomforest(10
).train()
;//對資料集進行分類
var class_img =
s1s2
.select
(bands)
.classify
(trainedclassifier)
.clip
(roi)
;

//選取森林棵樹 

從圖中可以看到當棵樹為25，準確率最高，因此，可以把ee.classifier.smilerandomforest(10).train裡面的引數設定成25，重新執行。
隨機森林特徵重要性,可以匯出結果進行分析
//隨機森林特徵重要性

var dict = trainedclassifier.
explain()
;print
('explain:'
,dict)
;var variable_importance = ee.
feature
(null
, ee.
dictionary
(dict)
.get
('importance'))
;var chart =
ui.chart.feature.
byproperty
(variable_importance)
.setcharttype
('columnchart').
setoptions(,
haxis:
,vaxis:})
;print
(chart)
;
haxis: ,

vaxis: 
});print(chart);
 
學習筆記 隨機森林
準確地說，隨機森林的工作原理如下 從資料集 表 中隨機選擇k個特徵 列 共m個特徵 其中k小於等於m 然後根據這k個特徵建立決策樹。重複n次，這k個特性經過不同隨機組合建立起來n棵決策樹 或者是資料的不同隨機樣本，稱為自助法樣本 對每個決策樹都傳遞隨機變數來 結果。儲存所有 的結果 目標 你就可以從...
機器學習筆記 隨機森林
隨機森林是典型的bagging整合演算法，它的所有基評估器都是決策樹。分類樹整合的森林叫隨機森林分類器，回歸樹整合的森林叫隨機森林回歸器。重要引數 max depth 限制樹的最大深度，超過設定深度的樹枝全部剪掉。min samples leaf 限定，乙個節點在分枝後的每個子節點都必須包含至少mi...
隨機森林筆記
下圖是bagging思想 個體學習器，就是弱學習器。bagging的個體學習器可以是svm,可以是神經網路。但隨機森林特殊在它的個體學習器都是決策樹 bagging的策略如下 skelearn中的bagging base estimator可以指定為神經網路 svm都可以。當然預設是決策樹。袋外樣本...