简介

提供了常用的监督分类分类器。

AdaBoost分类分类器。

函数	返回值
boost(options)	ui.ClassifierBoost分类器

参数	类型	说明
options	JSON	算法参数Json对象

var image = pie.Image('user/17090142114/PGDB001/World84').select(["B1", "B2", "B3"]);
var featureCollection = pie.FeatureCollection('user/17090142114/PGDB001/WorldROI');
var training = image.sampleRegions(featureCollection, ["type"], 50000);

var options = {
    // 树的最大深度
    "maxDepth": 20,
    // 节点样本数的最小值
    "minSampleCount": 2,
    // 决策树的最大预分类数量
    "maxCategories": 15,
    // 是否建立替代分裂点
    "useSurrogates": 0,
    // 交叉验证次数
    "cVFolds": 0,
    // 是否严格修剪
    "use1SERule": 0,
    // 是否进行剪枝后移除操作
    "truncatePrunedTree": 0,
    // 设置AdaBoost算法的类型,DISCRETE=0 REAL=1 LOGIT=2 GENTLE=3
    "boostType": 0,
    // 弱分类器的数量
    "weakCount": 100,
    // 设置权重修剪率，一个介于0和1（含）之间的阈值，该阈值可隐式地丢弃Boosting算法迭代过程中一些不重要的训练样本
    "weightTrimRate": 0.95,
};

var classifer = pie.Classifier.boost(options).train(training, "type", ["B1", "B2", "B3"]);
var resultImage = image.classify(classifer, "classifyA");
var visParam = {
    opacity: 1,
    uniqueValue: '1,2,3,4',
    palette: 'EAF2F5,000032,1F3600,FAFFC8'
};
Map.addLayer(resultImage, visParam);
Map.setCenter(0, 0, 0);

决策树分类分类器。

函数	返回值
dTrees(options)	ui.ClassifierDT分类器

参数	类型	说明
options	JSON	算法参数Json对象

var image = pie.Image('user/17090142114/PGDB001/World84').select(["B1", "B2", "B3"]);
var featureCollection = pie.FeatureCollection('user/17090142114/PGDB001/WorldROI');
var training = image.sampleRegions(featureCollection, ["type"], 50000);

var options = {
    // 树的最大深度
    "maxDepth": 20,
    // 节点样本数的最小值
    "minSampleCount": 2,
    // 决策树的最大预分类数量
    "maxCategories": 15,
    // 是否建立替代分裂点
    "useSurrogates": 0,
    // 交叉验证次数
    "cVFolds": 0,
    // 是否严格修剪
    "use1SERule": 0,
    // 是否进行剪枝后移除操作
    "truncatePrunedTree": 0,
};

var classifer = pie.Classifier.dTrees(options).train(training, "type", ["B1", "B2", "B3"]);
var resultImage = image.classify(classifer, "classifyA");
var visParam = {
    opacity: 1,
    uniqueValue: '1,2,3,4',
    palette: 'EAF2F5,000032,1F3600,FAFFC8'
};
Map.addLayer(resultImage, visParam);
Map.setCenter(0, 0, 0);

K最近邻分类分类器。

函数	返回值
knn(options)	ui.ClassifierKNN分类器

参数	类型	说明
options	JSON	算法参数Json对象

var image = pie.Image('user/17090142114/PGDB001/World84').select(["B1", "B2", "B3"]);
var featureCollection = pie.FeatureCollection('user/17090142114/PGDB001/WorldROI');
var training = image.sampleRegions(featureCollection, ["type"], 50000);
var options = {
    // 默认的临近对象数量，K值
    "defaultK": 3,
    // 获取KNN算法类型 BRUTE_FORCE=1, KDTREE=2
    "algorithmType": 1,
    // 在使用KDTree算法时，Emax参数值
    "eMax": 0,
};

var classifer = pie.Classifier.knn(options).train(training, "type", ["B1", "B2", "B3"]);
var resultImage = image.classify(classifer, "classifyA");
var visParam = {
    opacity: 1,
    uniqueValue: '1,2,3,4',
    palette: 'EAF2F5,000032,1F3600,FAFFC8'
};
Map.addLayer(resultImage, visParam);
Map.setCenter(0, 0, 0);

正态贝叶斯分类分类器。

函数	返回值
normalBayes(options)	ui.ClassifierNormalBayes分类器

参数	类型	说明
options	JSON	算法参数Json对象，默认为空

var image = pie.Image('user/17090142114/PGDB001/World84').select(["B1","B2","B3"]);
var featureCollection = pie.FeatureCollection('user/17090142114/PGDB001/WorldROI');
var training = image.sampleRegions(featureCollection,["type"],50000);
var classifer = pie.Classifier.normalBayes().train(training,"type",["B1","B2","B3"]).getInfo();
var resultImage = image.classify(classifer,"classifyA");
var visParam = {
    opacity:1,
    uniqueValue:'1,2,3,4',
    palette: 'EAF2F5,000032,1F3600,FAFFC8'};
Map.addLayer(resultImage,visParam);
Map.setCenter(0,0,0);

随机森林分类分类器。

函数	返回值
rTrees(options)	ui.ClassifierRTrees分类器

参数	类型	说明
options	JSON	算法参数Json对象

var image = pie.Image('user/17090142114/PGDB001/World84').select(["B1", "B2", "B3"]);
var featureCollection = pie.FeatureCollection('user/17090142114/PGDB001/WorldROI');
var training = image.sampleRegions(featureCollection, ["type"], 50000);

var options = {
    // 树的最大深度
    "maxDepth": 10,
    // 节点样本数的最小值
    "minSampleCount": 10,
    // 决策树的最大预分类数量
    "maxCategories": 15,
    // 树节点随机选择特征子集的大小
    "activeVarCount": 4,
    // 迭代终止方式：1表示最大迭代次数 2表示最小收敛阈值 3表示最大迭代次数和最小收敛阈值组合
    "type": 3,
    // 最小收敛的阈值：当点之间的距离小于这个值的时候终止迭代
    "minDistance": 0.01,
    // 最大的迭代次数：计算多少次终止聚类迭代
    "maxIter": 1000
};

var classifer = pie.Classifier.rTrees(options).train(training, "type", ["B1", "B2", "B3"]);
var resultImage = image.classify(classifer, "classifyA");
var visParam = {
    opacity: 1,
    uniqueValue: '1,2,3,4',
    palette: 'EAF2F5,000032,1F3600,FAFFC8'
};
Map.addLayer(resultImage, visParam);
Map.setCenter(0, 0, 0);

svm（支持向量机）监督分类分类器。

函数	返回值
svm(options)	ui.ClassifierSVM分类器

参数	类型	说明
options	JSON	算法参数Json对象

var image = pie.Image('user/17090142114/PGDB001/World84').select(["B1", "B2", "B3"]);
var featureCollection = pie.FeatureCollection('user/17090142114/PGDB001/WorldROI');
var training = image.sampleRegions(featureCollection, ["type"], 50000);

var options = {
    // SVM类型: C_SVC=100,NU_SVC=101,ONE_CLASS=102,EPS_SVR=103,NU_SVR=104
    "svmType": 100,
    // SVN核类型：LINEAR=0,POLY=1,RBF=2,SIGMOID=3,CHI2=4,INTER=5
    "kernelType": 0,
    // 核函数的γ参数，默认值为1；
    "gamma": 1,
    // 核函数的coef0参数，默认值为0
    "coef0": 0,
    // 多项式核函数的degreee参数（阶数），默认值为0；
    "degree": 0,
    // 用最优参数训练SVM，如果是会相当耗时
    "trainAuto": 0,
    // 迭代终止方式：1表示最大迭代次数 2表示最小收敛阈值 3表示最大迭代次数和最小收敛阈值组合
    "type": 3,
    // 最小收敛的阈值：当点之间的距离小于这个值的时候终止迭代
    "minDistance": 0.1,
    // 最大的迭代次数：计算多少次终止聚类迭代
    "maxIter": 100
};
var classifer = pie.Classifier.svm(options).train(training, "type", ["B1", "B2", "B3"]);
var resultImage = image.classify(classifer, "classifyA");
var visParam = {
    opacity: 1,
    uniqueValue: '1,2,3,4',
    palette: 'EAF2F5,000032,1F3600,FAFFC8'
};
Map.addLayer(resultImage, visParam);
Map.setCenter(0, 0, 0);

监督分类分类器训练。

函数	返回值
train(features,classProperty,inputProperties,subsampling,subsamplingSeed)	监督分类器训练结果

参数	类型	说明
features	FeatureCollection	样本点
classProperty	String	分类类别字段
inputProperties	List	分类计算字段
subsampling	Float	未启用
subsamplingSeed	Int	未启用

var image = pie.Image('user/pieadmin/public/Raster/World84').select(["B1","B2","B3"]);
var featureCollection = pie.FeatureCollection('user/pieadmin/public/shape/WorldROI');
var training = image.sampleRegions(featureCollection,["type"],50000);
var classifier = pie.Classifier.normalBayes().train(training,"type",["B1","B2","B3"]);
var resultImage = image.classify(classifier,"classifyA");
var visParam = {
    opacity:1,
    uniqueValue:'1,2,3,4',
    palette: 'EAF2F5,000032,1F3600,FAFFC8'
};
Map.addLayer(resultImage,visParam);
Map.setCenter(0,0,0);

来源：https://engine.piesat.cn/engine-studio/tutorials