RF has the ability to generate a fe

RF has the ability to generate a feature or variable importance ranking which allows for the reduction of the number of input variables used
in the classification process. A RF model with 5000 trees, as suggested by
Díaz-Uriarte and De Andres (2006) was used to calculate the importance of the contribution of each variable to the classifications. The accumulation of all feature scores equals one. All SAR intensity, SAR-derived
and ancillary data features were initially included in the classifications.
In all cases, the GLCM texture measures were found to have little
measureable influence on the classification accuracies and were subsequently removed from any further analysis. Separate RF models were
considered for the three sets of data: those derived from C-band acquisitions only, those derived from L-band acquisitions only, and those derived from C and L-band acquisitions combined. The feature importance
scores for the C-band, L-band and merged C- and L-band datasets for
both study areas can be seen in Fig. 4. In Fig. 4(a), the first 12 variables
are the C-band backscatter intensities in chronological order, the following 30 variables are the multitemporal features for the different track
and frames (in order — standard deviation, span ratio, span difference,
min ratio, minimum, max ratio, maximum increment, maximum, gradient, median), and the last four are the soils, sub-soils, elevation and
slope ancillary data. A similar structure is adopted for Fig. 4(b)–(f)

ผลลัพธ์ (ไทย) 1:

RF มีความสามารถในการสร้างคุณลักษณะหรือการจัดอันดับความสำคัญของตัวแปรซึ่งการลดจำนวนของตัวแปรอินพุตที่ใช้ในการจัดประเภทการ แบบ RF ด้วยต้นไม้ 5000 แนะนำโดยDíaz Uriarte และเดอแซ (2006) ถูกใช้เพื่อคำนวณความสำคัญของสัดส่วนของแต่ละตัวแปรจัดประเภทการ สะสมคะแนนคุณลักษณะทั้งหมดเท่ากับหนึ่ง ความเข้มทั้งหมดปีการศึกษา ปีการศึกษาที่ได้รับและคุณลักษณะพิเศษข้อมูลแรกรวมอยู่ในการจัดประเภทในทุกกรณี วัดเนื้อ GLCM พบว่ามีน้อยaccuracies ประเภท measureable อิทธิพล และออกมาจากการวิเคราะห์ต่อไป รุ่น RF แยกต่างหากได้พิจารณาสำหรับสามชุดของข้อมูล: ผู้มาซื้อซีเท่านั้น ที่ได้รับจากวง L ซื้อเท่านั้น และผู้ที่มาซื้อของ C และ L-วงรวมกัน ความสำคัญของคุณลักษณะคะแนนสำหรับ C-วงดนตรี วง L และผสาน C - และ L-วง datasets สำหรับสามารถมองเห็นทั้งสองพื้นที่ศึกษาใน Fig. 4 ใน Fig. 4(a) ตัวแปรแรก 12มีการปลดปล่อยก๊าซ backscatter ซีลำดับ ตัวแปรต่อไปนี้ที่ 30 มี multitemporal สำหรับแทร็คที่แตกต่างกันและเฟรม (ในใบสั่ง – ส่วนเบี่ยงเบนมาตรฐาน อัตราการขยาย ขยายความแตกต่างอัตราส่วนต่ำสุด ต่ำสุด สูงสุดอัตราส่วน เพิ่มสูง สูงสุด การไล่ระดับสี ค่ามัธยฐาน), และสี่สุดท้าย ดินเนื้อปูน ดินเนื้อปูนย่อย ยกระดับ และข้อมูลพิเศษลาด โครงสร้างที่คล้ายกันถูกนำมาใช้เพื่อ Fig. 4(b)–(f)

ผลลัพธ์ (ไทย) 2:

RF
มีความสามารถในการสร้างคุณลักษณะหรือการจัดอันดับความสำคัญของตัวแปรซึ่งจะช่วยให้การลดลงของจำนวนของตัวแปรที่ใช้ในขั้นตอนการจัดหมวดหมู่ รูปแบบ RF 5000
กับต้นไม้ที่แนะนำโดยDíaz-Uriarte และเดอแอนเดรส (2006) ถูกนำมาใช้ในการคำนวณความสำคัญของการมีส่วนร่วมของแต่ละตัวแปรในการจำแนกประเภทที่ การสะสมคะแนนคุณลักษณะทั้งหมดเท่ากับหนึ่ง ทุกความเข้ม SAR, SAR
มาและคุณสมบัติเสริมข้อมูลที่ถูกรวมครั้งแรกในจำแนกประเภท.
ในทุกกรณีมาตรการเนื้อ GLCM พบว่ามีเล็ก ๆ น้อย ๆ
ที่มีอิทธิพลต่อความถูกต้อง measureable ในการจำแนกและต่อมาถูกถอดออกจากการวิเคราะห์เพิ่มเติมใด ๆ รุ่น RF
เฉพาะกิจการถูกพิจารณาให้เป็นสามชุดของข้อมูล: ผู้ที่ได้รับมาจากการเข้าซื้อกิจการ C-วงเฉพาะผู้ที่ได้รับจากการเข้าซื้อกิจการ L-วงเท่านั้นและผู้ที่ได้รับมาจากการเข้าซื้อกิจการซีและ L-วงรวม คุณลักษณะที่สำคัญคะแนนสำหรับ C-Band, L-band และรวม C- ชุดข้อมูลและ L-วงทั้งพื้นที่การศึกษาสามารถมองเห็นได้ในรูป 4. ในรูป 4 (ก) เป็นครั้งแรก 12 ตัวแปรที่มีความเข้มแสงสะท้อนC-วงในลำดับต่อไปนี้ 30 ตัวแปรมีคุณสมบัติ multitemporal สำหรับการติดตามที่แตกต่างกันและกรอบ (ในการสั่งซื้อ - ส่วนเบี่ยงเบนมาตรฐานอัตราส่วนช่วงความแตกต่างช่วง, อัตราส่วนนาที ขั้นต่ำอัตราสูงสุดเพิ่มขึ้นสูงสุดสูงสุดลาดมัธยฐาน) และสุดท้ายสี่ดินดินย่อยสูงและข้อมูลเสริมความลาดชัน โครงสร้างที่คล้ายกันถูกนำมาใช้สำหรับรูป 4 (ข) - (ฉ)

ผลลัพธ์ (ไทย) 3:

RF มีความสามารถในการสร้างคุณลักษณะหรือการจัดอันดับความสำคัญของตัวแปรซึ่งจะช่วยให้ลดจำนวนตัวแปรที่ใช้
ในขั้นตอนการจำแนก แบบ RF กับ 5000 ต้น ในฐานะที่แนะนำโดย
D í az uriarte และ de Andres ( 2549 ) ถูกใช้เพื่อคำนวณความสำคัญของผลงานของแต่ละตัวแปรหมวดหมู่ . การสะสมคะแนนคุณลักษณะทั้งหมดมีค่าเท่ากับหนึ่งทั้งหมด SAR SAR และข้อมูลความเข้มได้
ancillary คุณสมบัติครั้งแรกถูกรวมอยู่ในหมวดหมู่ .
ในทุกกรณี glcm เนื้อมาตรการ พบว่ามีอิทธิพล measureable น้อย
ในหมวดหมู่ความถูกต้องและต่อมาลบออกจากการวิเคราะห์เพิ่มเติมใด ๆ แยกเป็นรุ่น RF
ถือว่าสามชุดของข้อมูลที่ได้มาจากการซื้อลูกค้าเท่านั้นที่ได้มาจากการซื้อกระทันหันเท่านั้น และผู้ที่ได้จาก C และกิจการ 2556 รวม คุณลักษณะสำคัญ
คะแนนสำหรับลูกค้ากระทันหัน , และ C - 2556 ข้อมูลผสานสำหรับ
ทั้งพื้นที่การศึกษาที่สามารถเห็นได้ในรูปที่ 4 ในรูปที่ 4 ( A )
12 ตัวแปรแรกคือลูกค้ากระเจิงกลับเข้มเรียงตามลำดับต่อไปนี้เป็นคุณสมบัติ multitemporal 30 ตัวแปรที่แตกต่างกันติดตาม
และกรอบ ( เรียงตามลำดับส่วนเบี่ยงเบนมาตรฐานเท่ากับช่วง ช่วง , ความแตกต่าง ,
มินอัตราส่วนต่ำสุด สูงสุดอัตราส่วนสูงสุดเพิ่มขึ้นสูงสุด , ลาด , มัธยฐาน ) และสุดท้ายสี่คือ ดิน ดินย่อย , ความสูงและ
ancillary ข้อมูลความลาดชัน . โครงสร้างที่คล้ายกันถูกนำมาใช้สำหรับรูป 4 ( b ) และ ( F )