易康面向对象刷，易康面向对象分类

我想问一下,易康中有SVM分类器吗?

1、支持向量机(support vector machine)，故一般简称SVM，通俗来讲，它是一种二分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，这族分类器的特点是他们能够同时最小化经验误差与最大化几何边缘区，因此支持向量机也被称为最大边缘区分类器。其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

2、支持向量机 ，因其英文名为support vector machine，故一般简称SVM，通俗来讲，它是一种二类分类模型，其基本模型定义为 特征空间 上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

3、一般把要分类的东西的特征向量取出来，作为输入；输出就是识别的结果了。训练SVM的时候一般将样本的特征值矩阵和样本的结果矩阵放进去训练。

4、使用adaboost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习的领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

5、二分类问题的意思就是字面意思，每个分类器只能把样本分为两类。

6、线性的话，SVM得到超平面就是直线或平面，非线性的话通过核函数将其隐射到高维空间，在高维空间非线性问题转化为线性问题。 本回答由网友推荐 举报| 答案纠错 | 评论 5 0 南冥未央 采纳率：48% 擅长： 其他编程语言 其他回答 你拿一条直线不好“拟合“出来时，线性分类器就不好用哒。 这时候就使用核方法呗。

易康和ENVI中面向对象分类哪个比较好

前一个没用过，我用的是ENVI他有个缺点就是不同分类不能够给予他不同的最佳分割尺度，所以其实还是有一点缺陷的，不过你要是基本用的话已经足够了，要做面向对象方面研究的话还是不够。

个人通过尝试发现使用“面向对象和基于专家系统的决策树分类”比较好用。特别是基于专家的分类树，如果研究区地形起伏较大，那么DEM可以充分发挥作用。

所以考虑一些非参数的方法进行监督分类。比如神经网络（ANN），支持向量机（SVM）等。可以取得比较好的效果，尤其SVM是比较稳健的分类方法。比如ENVI中监督分类就有这两类分类方法。不过ENVI中的神经网络似乎有点问题，不太容易收敛。另一类方法则是一楼提到的面向对象的分类方法。

而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。面向对象的处理方法中最重要的一部分是图像分割。

没有什么优劣之分，ENVI小巧灵活，运行快，ERDAS比较专业，很多专业人士习惯使用，实际效果其实差不多。erdas与envi的区别表现在：数据格式、结构与功能排列、特点不同、二次开发。数据格式 img格式是ERDAS的专有格式，里面的数据可以建成影像金字塔，这样在图像的放大缩小时就非常的快捷。

易康怎么用矢量边界提取

1、有些工作中需要提取一个面的边界线，用ArcGIS软件里面的ArcMap就很容易实现了，如果这个面是矢量数据的话。

2、在ArcMap中提取边界线是一项常见任务，尤其当处理矢量数据时。以下是详细步骤，将帮助你轻松完成这一任务： 首先，启动ArcMap并加载所需的数据集。确保你已经完成了数据集的加载，这一步骤是基础且重要。 接下来，转至工具栏并点击ArcToolbox图标。

3、要检查一下你两个数据的坐标系统是否一致，很可能是因为坐标系统不一致造成的。

4、seek_希克 这位兄弟已经回答的很清楚了，线是没有面积属性的，你必须通过工具箱里面的line to polygon工具把线文件转换为面文件，然后再面文件上添加一个字段，并且对这个字段进行面积计算就能得到这个面的面积了。前提是你的矢量图层坐标信息必须是正确的，也不能是经纬度格式的。

5、非常简单。将你的县DEM数据切分为村DEM数据，再在图层属性中查看该DEM平均海拔即可。切分流程：Arcgis-Spacial Analyst工具-提取分析-按多边形提取或按掩膜提取。

决策树分类方法的特点?

1、决策树分类方法可解释性强、易于理解和实现，对于处理非线性决策边界的分类问题具有优势；但是容易出现过拟合问题，并且由于决策树的结构会随着数据的变化而变化，因此对于稳定性要求较高的分类问题可能不太适合。

2、决策树优点 层次清楚，阶段分明，使决策者能够有步骤地进行决策形象简明，直观清晰，可以使决策者用科学的逻辑推理去思考各有关因素 便于集体决策，与有关专家研究讨论时可充分交换意见 决策树列出了决策问题的全部可行方案和可能出现的各种自然状态，以及各可行方法在各种不同状态下的期望值。

3、决策树模型时，其可首先对年龄进行划分，比如以70岁为界，年龄大于70岁时，可能更容易归类为‘患癌症’，接着对体重进行划分，比如大于50公斤为界，大于50公斤时更可能划分为‘患癌症’，依次循环下去，特征之间的逻辑组合后（比如年龄大于70岁，体重大于50公斤），会对应到是否患癌症这一标签上。

4、决策树缺点：对连续性的字段的预测较难，在有时间序列的数据集上面会花费过多时间预处理。容易出现过拟合，即决策树学习可能创建一个过于复杂的树，并不能很好的预测数据。

5、决策树对于常规统计方法的优缺点：优点：可以生成可以理解的规则；计算量相对来说不是很大；可以处理连续和种类字段；决策树可以清晰的显示哪些字段比较重要。

6、决策树分类法具有灵活、直观、清晰、强健、运算效率高等特点，在遥感分类问题上表现出巨大优势。

易康面向对象刷的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于易康面向对象分类、易康面向对象刷的信息别忘了在本站进行查找喔。