? ? 近來做一些遙感圖像自動(dòng)解譯的工作，需要根據(jù)遙感圖像每個(gè)單元（像元，像素）的幾個(gè)波段值和相互之間的位置關(guān)系來進(jìn)行自動(dòng)分類，也就是確定哪些區(qū)域是耕地，哪些是林地，哪些是草地。之前雖然有上過數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的課，但是自己的專業(yè)并不在此，對遙感圖像的自動(dòng)分類更是一竅不通，所以慢慢自學(xué)，順便寫個(gè)博客記錄一下自己的學(xué)習(xí)過程，謬誤在所難免，大家多多包涵指正。

? 根據(jù)最近的Mahout Wiki，Mahout實(shí)現(xiàn)的分類算法有：隨機(jī)梯度下降（SGD），貝葉斯分類，Online Passive Aggressive，HMM和決策森林（隨機(jī)森林）。隨機(jī)梯度下降當(dāng)前不能并行處理，貝葉斯分類更適合處理文本數(shù)據(jù)，所以這兩個(gè)算法都不太適合我的應(yīng)用場景（并行處理，特征類型為數(shù)字），OPA和HMM不太熟悉，所以就選用了決策森林（隨機(jī)森林）。

? 決策森林，顧名思義，就是由多個(gè)決策樹組成森林，然后用這個(gè)森林進(jìn)行分類，非常適合用MapReduce實(shí)現(xiàn)，進(jìn)行并行處理。決策森林又稱為隨機(jī)森林，這是因?yàn)椴煌诔Ｒ?guī)的決策樹（ID3，C4.5），決策森林中每個(gè)每棵樹的每個(gè)節(jié)點(diǎn)在選擇該點(diǎn)的分類特征時(shí)并不是從所有的輸入特征里選擇一個(gè)最好的，而是從所有的 M 個(gè)輸入特征里隨機(jī)的選擇 m 個(gè)特征，然后從這m個(gè)特征里選擇一個(gè)最好的（這樣比較適合那種輸入特征數(shù)量特別多的應(yīng)用場景，在輸入特征數(shù)量不多的情況下，我們可以取m=M）。然后針對目標(biāo)特征類型的不同，取多個(gè)決策樹的平均值（目標(biāo)特征類型為數(shù)字類型（numeric））或大多數(shù)投票（目標(biāo)特征類型為類別（category））。

? 在Mahout的example中有一個(gè)Decision Tree的例子，可以直接在命令行運(yùn)行：

? 1. 準(zhǔn)備數(shù)據(jù)：

? 數(shù)據(jù)為Breiman提供的glass： http://archive.ics.uci.edu/ml/datasets/Glass+Identification 。

? 2. 生成數(shù)據(jù)的說明文件：

? 在Mahout目錄下執(zhí)行：bin/mahout org.apache.mahout.df.tools.Describe -p testdata/glass.data -f testdata/glass.info -d I 9 N L

? 數(shù)據(jù)格式為CSV，最后的I 9 N L說明各特征的屬性：

? I表示忽略第一個(gè)特征值（該特征值一般用來標(biāo)示每一條訓(xùn)練樣例，亦即可以作為ID）。

? 9 N表示接下來的9個(gè)特征是輸入特征，類型為數(shù)字類型。

? L 表示該特征是目標(biāo)特征，亦即Label。

? 以glass文件的前幾行為例為例：

1,1.52101,13.64,4.49,1.10,71.78,0.06,8.75,0.00,0.00,1
2,1.51761,13.89,3.60,1.36,72.73,0.48,7.83,0.00,0.00,1
3,1.51618,13.53,3.55,1.54,72.99,0.39,7.78,0.00,0.00,1
4,1.51766,13.21,3.69,1.29,72.61,0.57,8.22,0.00,0.00,1
5,1.51742,13.27,3.62,1.24,73.08,0.55,8.07,0.00,0.00,1

? 第一個(gè)特征被忽略，因?yàn)檫@個(gè)特征是作為ID用來表示每個(gè)樣例的，2-10是9個(gè)輸入特征，用來訓(xùn)練分類器，類型為數(shù)字（Numeric），最后一個(gè)特征是目標(biāo)特征，代表每個(gè)樣例所屬的類別，這里所有樣例都屬于"1"類。

? 3. 進(jìn)行分類和測試

? 在Mahout目錄下執(zhí)行：bin/mahout org.apache.mahout.df.BreimanExample -d testdata/glass.data -ds testdata/glass.info -i 10 -t 100

? -i表示迭代的次數(shù)

? -t表示每棵決策樹的節(jié)點(diǎn)的個(gè)數(shù)

? BreimanExample默認(rèn)會(huì)構(gòu)造兩個(gè)森林，一個(gè)取m=1，一個(gè)取m=log（M+1）。之所以這么做是為了說明即使m值很小，整個(gè)森林的分類結(jié)果也會(huì)挺好。

? 4. 分類的結(jié)果：

? 12/09/13 15:18:07 INFO df.BreimanExample: Selection error : 0.2952380952380952

? 12/09/13 15:18:07 INFO df.BreimanExample: Single Input error : 0.29999999999999993

? 12/09/13 15:18:07 INFO df.BreimanExample: One Tree error : 0.41874436090225553

? Selection Error 是用兩個(gè)森林中誤差較小的森林做分類得到的錯(cuò)誤率。

? Single Input Error 是用m=1的森林做分類得到的錯(cuò)誤率。

? One Tree Error 是單棵樹的平均錯(cuò)誤率。

我們可以看到，用森林分類的結(jié)果比單棵樹要好很多。同時(shí)，m值即使取1，決策森林的誤差也不會(huì)比m值大的森林效果差很多。

以下是我用Decision Forest對遙感圖像做自動(dòng)解譯的效果，前者是人工解譯的圖像，我們利用這個(gè)圖像做訓(xùn)練，得到分類器，然后做自動(dòng)解譯，得到后者：

人工解譯的圖像	自動(dòng)解譯的圖像

?

?

?? 錯(cuò)誤率大概在23%左右，可以看到自動(dòng)解譯的圖像不夠平滑，有很多星點(diǎn)，需要進(jìn)一步處理，可以使用擇多濾波。

Mahout學(xué)習(xí)筆記-分類算法之Decision Forest