Cómo generalizar datos de entrenamiento de un clasificador azar forestal?

Question

Estoy trabajando con un bosque al azar clasificador en el reconocimiento (de nuevo con el reconocimiento 9.0). La imagen muestra 8 NAIP azulejos estoy tratando de clasificar con aproximadamente 100 puntos de entrenamiento. Los datos de entrenamiento (puntos azules) son muy simples y se compone de un archivo de forma que se indique la ubicación y clase de vegetación. Yo soy la clasificación de las imágenes en una baldosa por baldosa, así que estoy buscando una manera de utilizar todos los datos de entrenamiento en lugar de sólo los puntos que se encuentran dentro de la medida de un mosaico individual.

Qué métodos están disponibles para utilizar la gama completa de los datos de entrenamiento en una baldosa por baldosa? He considerado la extracción de los valores de los píxeles para cada punto y la exportación de esa tabla, aunque no he encontrado una manera de usar los datos tabulares a entrenar al bosque aleatorio clasificador en el reconocimiento.

Answer 1

¿Por qué mantener a todo el análisis en el reconocimiento? Una vez que tenga la imagen de los objetos derivados, exportarlos y ejecutar el modelo en R. Se tiene mucho más control de la modelo en R (por ejemplo, la especificación del modelo, multi-colinearty de prueba, selección de modelo, etc...) y no hay ningún problema en el ajuste de un modelo para la totalidad de los datos y de predicción de él a los subconjuntos representado por los azulejos.

Me gustaría crear un flujo de trabajo donde:

1) la imagen de los objetos se crean y se resume en el reconocimiento.

2) los resultados de la exportación como de la imagen objeto de polígonos o los rásteres de representación espectral/textura estadísticas de los objetos de la imagen.

3) punto de lectura de datos de entrenamiento y los objetos de la imagen, como polígono de SpatialPolygonsDataFrame de mapa de bits o de la pila de objetos, en R.

4) asignar la imagen del objeto estadísticas de los puntos de entrenamiento. Debido a la magnitud del problema, los pasos 3 y 4 puede necesitar ser hecho de forma iterativa para la construcción de los datos utilizados en el modelo final.

5) ajuste al azar de los bosques modelo, la aplicación de multi-colinealidad de prueba y selección de modelo.

6) predecir el mundial de RF modelo para cada baldosa de datos.

Answer 2

Esta no es la respuesta exacta, pero podría ser utilizado como una solución.

Supongo que usted no está utilizando el 8 azulejos juntos por la memoria de la razón, pero su área parece ser bastante homogéneo. Así que usted puede degradar la resolución de las imágenes (por ejemplo, con un factor de 2 o 3) y la creación de un mosaico. Luego entrenar a tu clasificador en el mosaico de la imagen y "guardar archivo" en la escena de la variable que contiene el modelo de parámetros. Este archivo puede ser cargado como una escena de la variable en otro proyecto, y se puede utilizar para aplicar el clasificador con cada baldosa.

Answer 3

Hay un ejemplo de un conjunto de reglas en el reconocimiento de la Comunidad de Reglas de Intercambio que nos muestra un trabajo. Tenga en cuenta que usted puede registrarse para tener acceso al conjunto de reglas de intercambio de enlace. El conjunto de reglas de descripción de los estados de los siguientes:

Este archivo zip contiene datos de ejemplo para entrenar y aplicar la clasificador algoritmo en varias escenas. En este momento usted puede hacer esto con un solo proyecto que contiene las escenas como mapas independientes. Este es una solución si quieres entrenar un clasificador no más de ilimitado número de escenas. el reconocimiento cubrirá el caso de uso, para entrenar a un clasificador automático de más de un número ilimitado de proyectos, esperemos que en una de las próximas versiones.

Usted puede utilizar el mismo enfoque también para SVM, Bayes y kNN.