《表3 随机森林分类总体精度和Kappa系数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机载多光谱LiDAR的随机森林地物分类》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了选择分类性能最佳和不相关的特征以获得较高的分类精度，采用后向特征选择方法[14]通过迭代逐个消除不必要的或部分相关的特征。首先根据OOB误差计算特征重要性并按数值大小从高到低进行特征变量排序，对最不重要的特征变量进行迭代消除。每次迭代，消除后20%的特征变量。然后利用消除后的新特征变量重新进行随机森林分类，根据OOB误差计算新特征变量对分类结果的重要性并进行排序。该迭代过程一直执行到获得最高分类精度的特征集为止。本文一共进行5次迭代，第1次和第5次迭代的随机森林分类结果如图4所示。表3为利用后向特征选择的随机森林分类结果的总体精度和Kappa系数，由表3可知，随着特征数量的减少，随机森林分类结果的总体精度和Kappa系数均有所提升，直到分类特征数量为16时，分类精度达到最高。但是当特征数量减少到13时，总体精度和Kappa系数开始减小，说明过多地去除特征会使精度下降。经过5次迭代，分类特征数量逐渐从39减少到13，同样根据OOB误差计算13个特征变量对最终分类结果的贡献度可知，对分类地物目标贡献度比较大的几个特征分别为:均值、高程和自相关特征，这与利用后向特征选择之前的特征贡献度排序结果类似。试验表明，本文采用的后向特征选择法比较可靠，即利用后向迭代消除的特征确实是不重要或部分相关冗余特征。