"

МЕТОД НАЙБЛИЖЧИХ СУСІДІВ

Простий непараметричний класифікаційний метод, де для
класифікації об'єктів у рамках простору властивостей
використовуються відстані (звичайно евклідові), пораховані до
усіх інших об'єктів. Вибираються об'єкти, до яких відстань
найменша, і вони виділяються в окремий клас.
МЕТОД
ПАРАЛЕЛЕПІПЕДІВ
Метод паралелепіпедів застосовується, коли області значень
спектральної яскравості об’єктів не перетинаються. Алгоритм
паралелепіпедів заснований на статистичних показниках
навчальної вибірки для K спектральних діапазонів.
 МЕТОД КЛАСИФІКАЦІЇ ЗА
БАЙЄСОМ
Класифікатор, що використовує теорему Баєса для визначення ймовірності
приналежності спостереження (елемента вибірки) до одного з класів при
припущенні (наївному) незалежності змінних.
Тобто, якщо на основі значень змінних можна однозначно визначити, якого
класу належить спостереження, байєсів класифікатор повідомить
ймовірність приналежності до цього класу.
У проміжних же випадках, коли спостереження може з різною ймовірністю
належати до різних класів, результатом роботи класифікатора буде вектор,
компоненти якого є ймовірностями приналежності до того чи іншого класу.
Можна бачити, що ідеальний байєсів класифікатор в якомусь сенсі є
оптимальним. Його результат не може бути поліпшений, тому, що у всіх
випадках, коли можливий однозначну відповідь, він його дасть — а в тих
випадках, коли відповідь неоднозначна, результат кількісно характеризує
міру цієї неоднозначності.
 Порівняння методів класифікації
Назва класифікатора Позитивні сторони Умови ефективної роботи
Метод найближчих сусі́дів Забезпечує гнучкість у вивченні зв’язку між Дані, одержані для невеликих
залежними змінними та відгуком; географічних регіонів, можна
використовувати як навчальні вибірки для
класифікації даних ДЗЗ під час
інвентаризації лісів для більших
територій.

Метод паралелепіпедів Перевага методу паралелепіпедів полягає в Алгоритм паралелепіпедів заснований на

тому, що даний метод може працювати на статистичних показниках навчальної
базі простого та дуже швидкого алгоритму. вибірки

Метод класифікації за Байєсом Перевагою цього підходу є те, що вимоги до Висока швидкість роботи, простота і
розміру вибірки скорочуються від масштабованість, помірні вимоги до
експоненційних до лінійних пам'яті) часто переважують недоліки..
 ВИСНОВОКИ
Алгоритми керованої класифікації доцільно застосовувати тоді,
коли є додаткова інформація про об’єкти на знімку, необхідна
для створення еталонних полігонів. Вона може бути отримана з
карт, планів, наземної зйомки і т.д. Якщо така інформація
відсутня, то слід користуватися алгоритмами некерованої
класифікації. Для підвищення точності дешифрування даних
ДЗЗ часто використовують спільно і керовану і некеровану
класифікації