In this study, separate test and tr

In this study, separate test and training data sets from two different geographical areas and two different sensors—multispectral Landsat ETM+ and hyperspectral DAIS—are used to evaluate the performance of univariate and multivariate DTs for land cover classification. Factors considered are: the effects of variations in training data set size and of the dimensionality of the feature space, together with the impact of boosting, attribute selection measures, and pruning. The level of classification accuracy achieved by the DT is compared to results from back-propagating ANN and the ML classifiers. Our results indicate that the performance of the univariate DT is acceptably good in comparison with that of other classifiers, except with high-dimensional data. Classification accuracy increases linearly with training data set size to a limit of 300 pixels per class in this case. Multivariate DTs do not appear to perform better than univariate DTs. While boosting produces an increase in classification accuracy of between 3% and 6%, the use of attribute selection methods does not appear to be justified in terms of accuracy increases. However, neither the univariate DT nor the multivariate DT performed as well as the ANN or ML classifiers with high-dimensional data.

ผลลัพธ์ (ไทย) 1:

ในการศึกษานี้การทดสอบแยกต่างหากและข้อมูลการฝึกอบรมชุดจากสองพื้นที่ทางภูมิศาสตร์ที่แตกต่างกันและแตกต่างกันสองเซ็นเซอร์ multispectral Landsat ETM และ hyperspectral เวทีจะถูกใช้ในการประเมินประสิทธิภาพการทำงานของ DTS univariate และหลายตัวแปรการจัดหมวดหมู่สิ่งปกคลุมดิน ปัจจัยการพิจารณา: ผลกระทบของการเปลี่ยนแปลงในการฝึกอบรมชุดข้อมูลขนาดและมิติของพื้นที่คุณลักษณะ,ร่วมกับผลกระทบของการส่งเสริมมาตรการการเลือกคุณลักษณะและการตัดแต่งกิ่ง ระดับของความถูกต้องจำแนกทำได้โดย dt เมื่อเทียบกับผลที่ได้จากกลับแพร่กระจาย ann และจําแนก มล. ผลของเราแสดงให้เห็นว่าประสิทธิภาพการทำงานของ dt univariate เป็นที่ยอมรับที่ดีในการเปรียบเทียบกับที่ของตัวจําแนกอื่น ๆ ยกเว้นกับข้อมูลมิติสูงการจัดหมวดหมู่ความถูกต้องเพิ่มขึ้นเป็นเส้นตรงกับการฝึกอบรมขนาดชุดข้อมูลไปยังขีด จำกัด ของ 300 พิกเซลต่อชั้นเรียนในกรณีนี้ DTS หลายตัวแปรไม่ปรากฏที่จะดำเนินการได้ดีกว่า univariate DTS ในขณะที่การส่งเสริมการผลิตเพิ่มขึ้นในการจัดหมวดหมู่ของความถูกต้องระหว่าง 3% และ 6%, การใช้วิธีการเลือกคุณลักษณะที่ไม่ปรากฏจะเป็นคนชอบธรรมในแง่ของการเพิ่มขึ้นของความถูกต้อง อย่างไรก็ตามไม่ dt univariate และหลายตัวแปร dt ดำเนินการเช่นเดียวกับการจําแนก ann หรือ มล. กับข้อมูลมิติสูง

ผลลัพธ์ (ไทย) 2:

ในการศึกษานี้ แยกชุดข้อมูลทดสอบและฝึกอบรมจากพื้นที่ทางภูมิศาสตร์ที่แตกต่างกันสองและเซนเซอร์ต่าง ๆ สอง — multispectral Landsat ETM และ hyperspectral DAIS — ใช้เพื่อประเมินประสิทธิภาพของ DTs อย่างไร univariate และ multivariate การจัดครอบคลุมที่ดิน ปัจจัยที่พิจารณาคือ: ผลกระทบ ของรูปแบบในการฝึกอบรมชุดข้อมูลขนาด และ dimensionality พื้นที่คุณลักษณะ กับผลกระทบของการส่ง เสริม มาตรการเลือกคุณลักษณะ และการ pruning ระดับของความถูกต้องของการจัดประเภทโดย DT ถูกเปรียบเทียบกับผลลัพธ์จากกระจายหลังแอนและคำนามภาษา ML ผลของเราระบุว่า ประสิทธิภาพของอย่างไร univariate DT acceptably ดีเมื่อเปรียบเทียบกับของคำนามภาษาอื่น ยกเว้นข้อมูลมิติสูง การจัดประเภทความแม่นยำเพิ่มขึ้นเชิงเส้น มีขนาด 300 พิกเซลต่อคลาสจำนวนชุดข้อมูลการฝึกอบรมในกรณีนี้ ตัวแปรพหุ DTs ไม่ไม่ทำดีกว่าอย่างไร univariate DTs ในขณะที่ส่งเสริมสร้างเพิ่มในประเภทแม่นยำระหว่าง 3% และ 6% ใช้วิธีเลือกแอตทริบิวต์ไม่ได้รับการพิสูจน์ในแง่ของการเพิ่มความถูกต้อง อย่างไรก็ตาม ใช่ DT อย่างไร univariate หรือ DT ตัวแปรพหุดำเนินการเช่นเดียวกับคำนามภาษาแอนหรือ ML สูงมิติข้อมูล

ผลลัพธ์ (ไทย) 3:

ในการศึกษา,การทดสอบแบบแยกพื้นที่และการฝึกอบรมชุดข้อมูลจากสองทาง ภูมิศาสตร์ และพื้นที่แตกต่างกันสองเซ็นเซอร์ - multispectral landsat etm และ hyperspectral เวที - มีการใช้ในการประเมิน ประสิทธิภาพ ของ univariate multivariate DTS และการใช้ที่ดินฝาครอบการจัด ประเภท ได้รับการพิจารณาให้ได้รับผลกระทบจากปัจจัยของความหลากหลายในข้อมูลการฝึกอบรมและตั้งค่าขนาดของสวนกันกับ"ความมีมิติเดียวของพื้นที่โดดเด่นไปด้วยได้ร่วมกันโดยมีผลกระทบต่อที่การเพิ่มแอตทริบิวต์การตัดแต่งการถอนและดำเนินมาตรการทางเลือก ระดับของความถูกต้องการแบ่ง ประเภท โดย DT ที่ถูกนำมาเปรียบเทียบกับผลจากแอนกลับ - แพร่กระจายและ classifiers มล. ผลการค้นหาของเราแสดงว่า ประสิทธิภาพ ของ DT univariate ได้ดีสามารถรับได้ในการเปรียบเทียบกับ classifiers อื่นๆที่เว้นแต่ว่ามีข้อมูลสูงแบบสามมิติการเพิ่มความถูกต้องแม่นยำการจำแนก ประเภท การลำดับอย่างต่อเนื่องพร้อมด้วยข้อมูลการฝึกอบรมตั้งค่าขนาดในการจำกัดที่ 300 พิกเซลต่อในกรณีนี้ multivariate DTS ไม่ปรากฏขึ้นในการทำงานได้ดีกว่า DTS แม้ univariate ในขณะที่เพิ่มผลิตเพิ่มขึ้นในการจำแนก ประเภท ของความถูกต้องระหว่าง 3% และ 6% ในการใช้วิธีใดวิธีหนึ่งทางเลือกแอตทริบิวต์ไม่ปรากฏขึ้นในการได้มีความชอบธรรมในเงื่อนไขของการเพิ่มความถูกต้องแม่นยำ แต่ถึงอย่างไรก็ตามDT univariate หรือ DT multivariate ที่ไม่ได้เป็นอย่างดีเป็นแอนหรือมล. classifiers พร้อมด้วยข้อมูลสูงแบบสามมิติ