用python实现支持向量机高光谱图像分类并可视化

支持向量机(SVM)是一种常用的机器学习算法，它可以用于高光谱图像分类。下面是使用 Python 实现 SVM 并对高光谱图像进行分类的示例代码：

# 导入所需的库
from sklearn import svm
import numpy as np

# 读取图像数据
X = np.load("image_data.npy")
y = np.load("image_labels.npy")

# 创建 SVM 分类器
clf = svm.SVC(kernel='linear', C=1, gamma='auto')

# 用 SVM 分类器训练模型
clf.fit(X, y)

# 使用训练好的模型对新数据进行分类
predictions = clf.predict(X_test)

对于可视化部分，你可以使用 matplotlib 库的 scatter 函数来绘制支持向量机分类的决策边界。

import matplotlib.pyplot as plt

# 绘制决策边界
h = .02  # 网格中的步长
# 创建网格，在数据的所有特征的范围内
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, h),
                     np.arange(y_min, y_max, h))
# 将特征向量转化成平面
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

# 绘制结果
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.coolwarm, alpha=0.8)

# 绘制训练点
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm