GEE从入门到实战的10个系列单元：GEE系列：第1单元 Google地球引擎简介GEE系列：第2单元 探索数据集GEE系列：第3单元 栅格遥感影像波段特征及渲染可视化GEE系列：第4单元 Google 地球引擎中的数据导入和导出GEE系列：第5单元 遥感影像预处理【GEE栅格预处理】GEE系列：第6单元 在 Google 地球引擎中构建各种遥感指数GEE系列：第7单元 利用GEE进行
转载
2024-08-26 18:50:00
756阅读
简化理解，随机森林RF[Random Forest]是Bagging算法和决策树DT分类器的一种结合，能够执行分类和回归任务。除此之外，模型组合+决策器还有一种比较基本的形式是梯度提升决策树GBDT[Gradient Boost Decision Tree]。随机森林的优势之一是能够处理特征数量巨大的数据，比如基因芯片数据等。1. 随机森林算法[1]从原始数据集中有放回地随机采样出n个样本，构造子
转载
2023-10-15 00:50:14
122阅读
基础知识[关于决策树的基础知识参考：]在机器学习中，随机森林由许多的决策树组成，因为这些决策树的形成采用了随机的方法，所以叫做随机森林。随机森林中的决策树之间是没有关联的，当测试数据进入随机森林时，其实就是让每一颗决策树进行分类看看这个样本应该属于哪一类，最后取所有决策树中分类结果最多的那类为最终的结果（每棵树的权重要考虑进来）。所有的树训练都是使用同样的参数，但是训练集是不同的，分类器的错误估计
转载
2024-05-13 10:22:23
38阅读
7.Random Forests随机森林 Thistutorial is part of the series LearnMachine Learning. At the endof this step, you will be able to use your first sophisticated machine learningmodel, the Random Forest
集成学习：通过构建多个分类器来完成学习任务，将多个分类器组合，会获得比单一分类器，更好的泛化能力。集成学习有两类 Boosting 和BaggingBoosting：个体分类器之间存在强依赖关系，必须串行生成的序列化方法Bagging：个体分类器之间不存在依赖关系，可以同时生成的并行方法Bagging和随机森林：Bagging的代表是随机森林，Bagging的流程是用自助采样法从数据集中得到若干个
转载
2024-03-05 17:39:17
47阅读
一．预处理 1．降噪处理 由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。 （1）除周期性噪声和尖锐性噪声 周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。一般可以用带通或者槽形滤波的方法来消除。 消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立
对于GBDT的概念和相关知识博主在上一篇中已做论述《机器学习算法之_GBDT》什么是随机森林随机森林顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。 在建立每
转载
2024-03-28 15:49:09
74阅读
1. 过拟合的表现随着训练过程的进行，模型在训练集上的误差越来越小，但是在测试集上的误差却越来越大。这是由于训练得到的模型过度拟合了训练集，对训练集外的数据不work，即泛化能力差。引用吴恩达Andrew Ng课程里面的一张图来进行直观理解。2. 降低过拟合的方法2.1 数据增强（augmentation）1）随机旋转 ：一般情况下是对输入图像随机旋转[0,360) 2）随机裁剪 ：对输
目录1、基本知识点介绍2、各个算法原理2.1 随机森林 -- RandomForest2.2 XGBoost算法2.3 GBDT算法（Gradient Boosting Decision Tree）2.4 LightGBM提升学习模型1、基本知识点介绍RandomForest、XGBoost、GBDT和LightGBM都属于集成学习。集成学习通过构建并结合多个分类器来完成学习任务，也称为多分类系统
转载
2024-09-08 10:30:23
154阅读
随机森林算法原理(一)：两个随机采样的过程，random forest对输入的数据要进行行、列的采样。对于行采样，采用有放回的方式，也就是在采样得到的样本集合中，可能有重复的样本。假设输入样本为N个，那么采样的样本也为N个。这样使得在训练的时候，每一棵树的输入样本都不是全部的样本，使得相对不容易出现over-fitting。然后进行列采样，从M个feature中，选择m个（m <<
转载
2023-10-03 13:33:43
87阅读
异常探测是一种用于定位数据集中异常点的数据处理技术。异常值是指与数据集中的已知特征相比被认为不正常的值。例如，如果水是已知的特征，那么除水之外的任何东西都将被视为异常值。ENVI机器学习异常探测在训练过程中接受单一背景特征。该特征表示被认为是整个数据集正常的像素。任何在分类过程中被认为不正常的像素都被认为是异常的。在训练之前的标记过程中，需要为给定的数据集标记一个背景特征。标记数据对于生成一个好的
转载
2024-05-18 10:47:33
306阅读
集成学习（Ensemble）思想、自助法（bootstrap）与bagging集成学习（ensemble）思想是为了解决单个模型或者某一组参数的模型所固有的缺陷，从而整合起更多的模型，取长补短，避免局限性。随机森林就是集成学习思想下的产物，将许多棵决策树整合成森林，并合起来用来预测最终结果。
首先，介绍自助法（bootstrap），这个奇怪的名字来源于文学作品 The Adventures
转载
2023-09-22 18:04:30
103阅读
这里是截取曾经发表的中一些内容基础内容：这里只是准备简单谈谈基础的内容，主要参考一下别人的文章，对于随机森林与GBDT，有两个地方比较重要，首先是information gain，其次是决策树。这里特别推荐Andrew Moore大牛的Decision Trees Tutorial，与Information Gain Tutorial。Moore的Data Mining Tutorial系列非常赞
转载
2024-08-11 18:41:14
23阅读
bagging+决策树=随机森林在学习随机森林之前首先了解一下bagging算法思想： Bagging和Boosting都是将已有的分类或回归算法通过一定方式组合起来，形成一个性能更加强大分类器，更准确的说这是一种分类算法的组装方法。即将弱分类器组装成强分类器的方法。 Bagging (bootstrap aggregating)即套袋法，其算法过程如下： a）从原始样本集中抽取训练集。每轮从原始
转载
2023-12-12 17:40:53
153阅读
集成思想Boosting 通过将弱学习器 提升为强学习器的集成方法来提高预测精度，典型的算法是：AdaBoost、GBDT、 XGBoostBagging 通过自主采样的方法生成众多并行式的分类器，通过“少数服从多数”的原则来确定最终的结果。典型的算法有 随机森林、随机森林（Random Forest）随机森林是指利用多棵决策树对样本进行训练并预测的一种算法。也就是说随机森林算法是一个包含多个决策
转载
2023-10-10 13:59:00
287阅读
随机森林是常用的机器学习算法，既可以用于分类问题，也可用于回归问题。本文对scikit-learn、Spark MLlib、DolphinDB、XGBoost四个平台的随机森林算法实现进行对比测试。评价指标包括内存占用、运行速度和分类准确性。本次测试使用模拟生成的数据作为输入进行二分类训练，并用生成的模型对模拟数据进行预测。1.测试软件本次测试使用的各平台版本如下：scikit-learn：Pyt
转载
2024-04-04 11:25:18
156阅读
随机森林顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。 三个臭
转载
2024-05-02 10:56:03
148阅读
对图像进行土地利用分类，因此下面是监督分类的流程以及代码案例。首先分类最开始应该建立样本数据集，在这里我分了四类，然后就开始自己的采样，设立好分类后，对目标进行分类。然后对每个样本进行颜色选择和属性定义//选择需要裁剪的矢量数据 var aoi = ee.FeatureCollection("users/yangyao19960805/NewFolder");//加载矢量边框，以便于在边界内选取
原创
精选
2023-02-02 16:29:59
1289阅读
点赞
Bagging:各分类器之间没有依赖关系，可各自并行， Bagging + 决策树 = 随机森林Boosting:各分类器之间有依赖关系，必须串行， 比如Adaboost、GBDT(Gradient Boosting Decision Tree)、Xgboost AdaBoost + 决策树 = 提升树 Gradient Boosting + 决策树 = GBDTAdaBoost（Adaptive
1：数据集种类(目标变量)越多越复杂熵越大，所以原始数据的熵最大 2：熵公式： n代表X的n种不同
转载
2023-05-18 17:24:38
211阅读
