用python实现支持向量机高光谱图像分类的可视化

支持向量机（Support Vector Machine，SVM）是一种常用的分类算法，它可以用于高光谱图像的分类。在进行高光谱图像分类时，我们可以使用Python中的scikit-learn库来实现SVM分类，并使用matplotlib库进行可视化。

以下是一个简单的SVM分类高光谱图像的Python代码示例：

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

# 加载数据集
iris = datasets.load_iris()
X = iris.data[:, :2]  # 只取前两个特征
y = iris.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 定义SVM分类器
svc = svm.SVC(kernel='linear', C=1.0)

# 训练模型
svc.fit(X_train, y_train)

# 预测
y_pred = svc.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("Accuracy:", acc)

# 绘制决策边界
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))
Z = svc.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)

# 绘制数据点
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.title("SVM Classification")
plt.show()

这个示例代码演示了如何使用SVM分类器对鸢尾花数据集进行分类，并使用matplotlib库将决策边界和数据点可视化。你可以修改代码来适用于高光谱图像分类，并使用自己的数据集。