用支持向量机进行遥感影像监督分类python

好的，下面是用支持向量机进行遥感影像监督分类的 Python 代码。首先需要导入必要的库和数据集，这里我们使用的是Scikit-learn库自带的遥感影像数据集：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import plot_confusion_matrix

# 加载遥感影像数据集
iris = datasets.load_iris()
X = iris.data[:, :2]  # 取前两个特征
y = iris.target

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

接下来，我们使用支持向量机模型进行训练和预测，并输出混淆矩阵和分类报告：

# 创建SVM模型实例
classifier = svm.SVC(kernel='linear', C=0.01)

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

# 预测测试集
y_pred = classifier.predict(X_test)

# 输出混淆矩阵
plot_confusion_matrix(classifier, X_test, y_test)
plt.show()

# 输出分类报告
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))

最后，我们可以将训练集和测试集的数据点以及预测结果可视化：

# 可视化训练集和测试集的数据点
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=plt.cm.Set1, edgecolor='k')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xticks(())
plt.yticks(())
plt.show()

plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=plt.cm.Set1, edgecolor='k')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xticks(())
plt.yticks(())
plt.show()

# 可视化预测结果
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap=plt.cm.Set1, edgecolor='k')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xticks(())
plt.yticks(())
plt.show()

以上就是用支持向量机进行遥感影像监督分类的 Python 实现。