0

我正在尝试使用sklearn.mixture.GaussianMixture对高光谱图像中的像素进行分类。有 15 个班级 (1-15)。我尝试使用http://scikit-learn.org/stable/auto_examples/mixture/plot_gmm_covariances.html方法。在这里，平均值是用means_init初始化的，我也试过这个，但我的准确率很差（大约10%）。我还尝试更改协方差类型、阈值、最大迭代次数和初始化次数，但结果是相同的。
我做得对吗？请提供输入。

import numpy as np
from sklearn.mixture import GaussianMixture
import scipy.io as sio
from sklearn.model_selection import train_test_split
uh_data =sio.loadmat('/Net/hico/data/users/nikhil/contest_uh_casi.mat')
data = uh_data['contest_uh_casi']

uh_labels = sio.loadmat('/Net/hico/data/users/nikhil/contest_gt_tr.mat')
labels = uh_labels['contest_gt_tr']

reshaped_data = np.reshape(data,(data.shape[0]*data.shape[1],data.shape[2]))
print 'reshaped data :',reshaped_data.shape

reshaped_label = np.reshape(labels,(labels.shape[0]*labels.shape[1],-1))
print 'reshaped label :',reshaped_label.shape

con_data = np.hstack((reshaped_data,reshaped_label))
pre_data = con_data[con_data[:,144] > 0]
total_data = pre_data[:,0:144]
total_label = pre_data[:,144]

train_data, test_data, train_label, test_label =  train_test_split(total_data, total_label, test_size=0.30, random_state=42)

classifier = GaussianMixture(n_components = 15 ,covariance_type='diag',max_iter=100,random_state = 42,tol=0.1,n_init = 1)

classifier.means_init = np.array([train_data[train_label == i].mean(axis=0) 
                                for i in range(1,16)]) 
classifier.fit(train_data)

pred_lab_train = classifier.predict(train_data)
train_accuracy = np.mean(pred_lab_train.ravel() == train_label.ravel())*100
print 'train accuracy:',train_accuracy

pred_lab_test = classifier.predict(test_data)
test_accuracy = np.mean(pred_lab_test.ravel()==test_label.ravel())*100
print 'test accuracy:',test_accuracy

我的数据有 66485 个像素和 144 个特征。在应用了一些特征缩减技术（如 PCA、LDA、KPCA 等）后，我也尝试过这样做，但结果仍然相同。

4

2 回答 2

3

高斯混合不是分类器。这是一种密度估计方法，期望它的组件会神奇地与您的类对齐并不是一个好主意。您应该尝试实际的监督技术，因为您显然可以访问标签。Scikit-learn 提供了很多这些，包括随机森林、KNN、SVM，......选择你最喜欢的。GMM 只是尝试将高斯混合拟合到您的数据中，但没有什么强迫它根据标签放置它们（甚至在 fit 调用中都没有提供）。有时这会起作用 - 但仅适用于微不足道的问题，其中类分离得非常好，甚至朴素贝叶斯也可以工作，但一般来说，它只是解决问题的无效工具。

于 2017-06-30T21:50:24.620 回答
0

GMM 不是分类器，而是生成模型。您可以通过应用贝叶斯定理将其用于分类问题。基于 GMM 的分类仅适用于微不足道的问题是不正确的。然而，它基于高斯分量的混合，因此适合高级特征的最佳问题。

您的代码错误地使用 GMM 作为分类器。您应该使用 GMM 作为后验分布，每个类一个 GMM。

于 2019-01-29T09:56:59.860 回答