Форумы GIS-Lab.info

да вроде получилось, только кнопы странно нажимаются

Да работает.

А зачем у svm столько настроек и какие имеет смысл крутить, какие нет? Есть уже опыт\maual?

Сохраняет результат Monteverdi очень медленно.

Эх, я начала делать что-то вроде руководства. Но что-то закончить никак не могу.
Вряд ли, успею в ближайшее время, потому что наносу поездка на Совзондовскую конфу.

Так что коротко о том, что я попробовала в СВМе.
Линейный отрабатывает неплохо, но на несложных случаях. Т.е. например, если открытая поверхность представлена только “светлыми” участками. А вот если и “светлыми” и “темными”, то тогда лучше выбирать нелинейные - полиномиальный или на основе радиальных базисных функций.
Kernel degree это степень нелинейности разделяющей гиперплоскости.Чем сложнее задача - тем выше степень На сайте Computer learning research centre
svm.cs.rhul.ac.uk/pagesnew/GPat.shtml
можно поиграться с различными настройками и посмотреть, как они влияют на результат.
C SVM type я пока не разобралась. Подозреваю, что это способ построения ядер.
Скорее всего они эти все настройки свалили вкучу. Т.е. к каждая из позиций в правом столбике относится только к одному виду ядра или типу СВМ. Хоть бы неактивными они делались, при выборе того или иного типа.

Здесь была копия предыдущего сообщения.
Извините, сообщение продублировалось, а удалить его не получается.

syroezhka писал(а): Kernel degree это степень нелинейности разделяющей гиперплоскости. Чем сложнее задача - тем выше степень.

если все в этой программе делали как обычно, то разделяющая гиперплоскость - она таки плоскость, а Kernel degree - это размерность пространства, в котором ее проводят (это совсем не то пространство, в котором заданы исходные данные - здесь всплывают в памяти всякие Вапник-Червоненко). Но обычно этот фокус делается с RBF.

Промучился выходные с вводом эталонов в Монтеверди, полюнул ушел считать SVM в плагин QGIS. Только пересобирать ку гис из исходников вместе с плагином под Линукс мне лень. Вот и считаю в виртуальной машине под ХР.

А собирали их в самой монтеверди?
Я просто собирала в аркгисе, а потом затягивала через Labeled Image. Сейчас напишу подробней, как я это делала.

из обзоров по СВМ, которые мне попадались, следует, что выбор функции ядра не сильно увеличивает точность, разве что для бинарной классификации. Скорость и производительность да, но ночь она и есть ночь (в смысле я обработку на ночь ставлю)

Собственно, всю эту тему я начинала с вопроса как бы удобней набирать эталоны. Потому что в самой программе нет возможности набирать эталоны, при этом ориентируясь на снимок, карты и результаты прошлой работы.
Но есть возможность импортировать эталоны ранее набранные.
Import Vector Data - прямо из шейпа. При этом, ерунда еще та получается. Снимок - в файловой системе координат, шейп - в нормальной.
Import from labeled image – c помощью шейпа делается такая картинка, как справа и эталоны импортируются из нее. Это тоже не удобно, потому, что делалось в сторонней программе (GLMapper). Открывалось изображение (у меня это был один из каналов ландсата), потом изображение контрастировалось до совсем черного. Далее добавлялся шейп, который содержит эталоны. Атрибутивная информация в нем соответствовала номеру класса попорядку. Потом шейп раскрашивался согласно атрибутам (номеру класса) в различные цвета. Далее вся эта совместно полученная картинка экспортировалась в изображение. Оно получается такое, как на картинке выше. И созданный labeled image зачитывался в Монтеверди.

nadiopt писал(а):из обзоров по СВМ, которые мне попадались, следует, что выбор функции ядра не сильно увеличивает точность, разве что для бинарной классификации. Скорость и производительность да, но ночь она и есть ночь (в смысле я обработку на ночь ставлю)

никакой другой классификации, кроме бинарной, в самом методе SVM нет, все остальное - надстройки над ней. И можно смело предположить, что обзоры писали "юзеры" ... кроме того, особого смысла в SVM вообще нет, поскольку после перехода в новую систему координат с использованием ядер эти же задачи с успехом решаются обычным линейным дискриминатором (бинарным, после соответствующих "нахлобучек"). Который работает несколько секунд (ну минут, если классов много - там в худшем случае примерно n^2 бинарных классификаторов).

ну так-то оно да, только я так понимаю, что kernel trick придумали если классы "заходят" друг на друга...
Обзоры писали конечно не хардкорные математики, а ученые-биологи, они использовали несколько кернелов и считали производительность и точность. если нужно, позже найду саму статью

gamm писал(а):[ поскольку после перехода в новую систему координат с использованием ядер эти же задачи с успехом решаются обычным линейным дискриминатором (бинарным, после соответствующих "нахлобучек").

Если я правильно понимаю, линейная разделяющая плоскость в новом пространстве, соответствует нелинейной плоскости в пространстве признаков. И СВМ как раз позволяет построить эту плоскость без перехода.
Может потому классификация так долго и считается

Сыроежка, а у тебя сколько классов и какой снимок?
у меня Ландсат 17 классов (облака отмаскированы)