给出如下图像的监督分类（分类算法任选一种，训练区自行选择）的详细数值计算过程和结果。假设遥感图像有两个波段I1、12: I1=[4 1 2 3 2 4 4 1] I2=[7 2 1 0. 1 2 3 4].

在遥感图像的监督分类中，通常我们会选择像支持向量机（SVM）、决策树或者随机森林等算法进行分类。这里我们以简单的线性支持向量机为例说明详细的数值计算过程。

1. **数据预处理**：
首先，将输入的两个波段I1和I2合并成一个特征矩阵X，每个像素作为一个样本，每行代表一个像素值，列对应不同的特征。在这个例子中，我们可以创建一个二维数组：

   X = [[4, 1], [1, 2], [2, 4], [3, 4], [7, 2], [1, 1], [2, 3], [4, 4]]

2. **创建标签向量y**：
如果已经知道每个像素的类别，那么可以创建一个一维向量y表示类别信息。由于你没有提供具体的类别，我们将假设有两类，并用数字0和1分别标记。

3. **划分训练集和测试集**：
这里假设80%的数据用于训练，20%的数据用于测试。划分后得到训练集X_train, y_train和测试集X_test, y_test。

4. **选择模型和支持向量核**：
SVM可以选择线性核（linear kernel）或高斯核（RBF kernel）。对于线性可分的情况，我们可以选择线性核，因为给出的是二元数据。

5. **训练模型**：
使用训练数据拟合模型，这涉及到寻找最大间隔超平面（maximum margin hyperplane）。在L2正则化的线性SVM中，优化的目标函数是找到w和b（权重向量和偏置），使得误分类的样本点到超平面的距离最大化，并最小化权重向量的范数。计算公式如下：

\[ w^* = \arg\min_w \frac{1}{2}||w||^2 + C\sum_{i=1}^{n}\xi_i \]
其中，\( \xi_i \) 是对误分类样本的惩罚项，\( C \) 是正则化参数。

6. **预测和评估**：
对于测试集，使用训练好的模型（w和b）进行预测，得到y_pred。然后通过比较y_test和y_pred来计算准确率、召回率、F1分数等指标评估模型性能。

由于这里没有具体的分类结果，你需要实际运行模型并查看模型输出。具体的数值计算会依赖于使用的库（如Scikit-Learn in Python），它会自动完成这些计算。