高光谱随机森林rf分类代码

高光谱随机森林（Hyperspectral Random Forest, HS-RF）是一种结合了机器学习和遥感技术的分类方法，它通常用于处理高光谱数据集中的图像分类任务。下面是使用Python中的`scikit-learn`库创建一个简单的HS-RF分类代码示例：

# 导入必要的库
from sklearn.ensemble import RandomForestClassifier
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import pandas as pd

# 假设df_data是包含高光谱数据的DataFrame，bands是我们感兴趣的波段列名
X = df_data[bands].values # 输入特征数据
y = df_data['target'] # 目标变量

# 数据预处理（标准化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 创建随机森林分类器
hs_rf_classifier = RandomForestClassifier(n_estimators=100, n_jobs=-1, random_state=42) # 可以调整参数

# 训练模型
hs_rf_classifier.fit(X_train, y_train)

# 预测
predictions = hs_rf_classifier.predict(X_test)

# 评估性能（例如用accuracy_score等）
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, predictions)
print(f"Accuracy: {accuracy}")

#