基于决策树的高光谱数据特征选择及其对分类结果的影响分析
本文利用OMIS高光谱数据,研究了决策树算法(Decision Tree,DT)特征选择的特点以及特征选择对决策树分类结果的影响.设计了三种特征选择方法:SEP,MDLM和RELIEF,将它们与DT特征选择的结果以及特征选择后的分类精度(考虑了三种分类器:最大似然法、后向传播神经网络、最邻近法)进行对比,并分析了这三种特征选择方法对决策树结构和分类精度的影响.结果显示,DT是一种比较好的特征选择方法;经过特征选择后再生成的决策树比直接生成的决策树,用到更少的特征(平均减少了43.36%)、有更多的节点(平均增加了18.61%)和更高的分类精度(平均提高了0.35%),当样本数量少时,分类精度的提高幅度最大,而树的大小却基本没有增加.
决策树、高光谱、特征选择
11
TP751.1(遥感技术)
国家高技术研究发展计划863计划2002AA130020;科技部政府间科技合作项目CHN-24/2004
2007-03-28(万方平台首次上网日期,不代表论文的发表时间)
共8页
69-76