wordpress 站点网络南头英文网站建设

混淆矩阵：用于比较分类结果和地表真实信息

总体精度(overall accuracy) :指对角线上所有样本的像元数(正确分类的像元数)除以所有像元数。

生产者精度(producer's accuracy) ：某类中正确分类的像元数除以参考数据中该类的像元数(列方向)，又称制图精度。即地面上某一类被正确反映在地图的概率。

使用者精度(user's accuracy) :某类中正确分类的像元数除以分类数据中该类的像元数(行方向)，又称用户精度。即某一类型正确分类的概率。

产生随机点计算混淆矩阵相比于直接根据分类模型输出混淆矩阵的优势：

        如果测试数据分布和训练数据分布（是指训练数据样本的特征值、类别比例等）高度相似，测试结果可能过于乐观。随机生成样本不依赖于训练数据分布，且可以突破现有测试集的限制更全面覆盖数据空间，更能考察模型在未知环境、高维特征空间中的稀疏区域（缺乏足够训练数据支持模型学习）和边界情况（eg在不同类别之间的决策边界）下的表现，有助于发现模型性能盲区，评估模型对边界或噪声的敏感性、模型的鲁棒性和泛化性（泛化能力是指一个模型在未知数据—测试集或真实世界数据上表现良好的能力，即是否真正学习到了问题的通用模式）。

        此外，随机生成样本可以缓解数据不足或类别不平衡的问题（如果数据类别分布严重失衡，混淆矩阵可能会受到数据分布偏差的强烈影响，通过随机生成样本可以更均匀地评估每个类别的表现）。

操作步骤：

 1、ArcGIS创建随机点

点击：数据管理-采样-创建随机点

 在内容列表右键生成的随机点，打开其属性表，添加两个文本型字段（GrndTruth和CLASSIFIED，分别用以对应真实值和预测值，预测值也就是分类结果），开始编辑后对随机点位置的类别进行人工判读并填写，完成后停止编辑并保存。

2、计算混淆矩阵

点击：Spatial Analyst-影像分割和分类-计算混淆矩阵，其中输入的精度评估点就是创建的随机点