今天学习用不同方法进行 HSI 分类，具体涉及的内容为 KNN、SVM。
今天主要参考了 Github 的HSI_Classification项目，里面介绍了 HSI 的机器学习方法(KNN, SVM)和深度学习方法(1D, 2D, 3D-CNN)。另外，HSI_Classification_Model包含了很多HSI分类的模型，后续了解。

一、理论部分：

1、数据集说明：

使用的数据为 Pavia Centre cene 和 Pavia University scene，下载地址为这里。两个数据集均共有9类，标签为1~9，标签为0的部分表示不含信息，这部分数据在分析前应丢弃。

2、KNN 最近邻算法：

待预测样本最邻近的K个数据点中，数目最多的类别作为预测类别。

3、SVM 支持向量机算法：

以二分类为例，假设数据集都含有二维特征。将特征向量映射为空间中的一些点，研究的问题是如何画出一条线能够最好地区分这两类数据。当数据的特征维度有多维时，样本空间的划分称为超平面，而不是二分类中的'线'。SVM画线的标准是：寻找可以区分两个类别并且能使间隔（margin）最大的线。margin就是支持向量（距离分类界面最近的数据点）之间的区域范围。
SVM的基本想法是，把低维线性不可分的数据映射到高维空间找分界面。
SVM本身用于二分类，对于多分类问题，需要对方法进行改造：直接法（修改目标函数，将多个分类面的参数求解合并到一个最优化问题中）和间接法（组合多个二分类器）。
详情可查看SVM的官网说明和博客说明。

4、混淆矩阵：

混淆矩阵是一个 n* n方阵(n为预测类别数)，用于评估机器学习分类模型的性能，下图示例（横纵坐标也可互换）。
混淆矩阵1 混淆矩阵2
对于分类模型的评估参数还包括Kappa指标（模型的偏向性越强，kappa值越低），准确率、召回率、特异性、F1 score、ROC曲线等。

二、模块和函数

1、random 模块

random.sample(sequence, k)
从 sequence 中随机选取 k 个数据。例如：

2、numpy 模块

np.asarray(a, dtype=None, order=None)
把 a 转换成 ndarray 类型。，例如my_list = [1, 2, 3, 4, 5]，my_array = np.asarray(my_list)。
np.trace(a, offset=0, axis1=0, axis2=1)
计算矩阵的迹（对角元素和）。

3、scipy 模块

scipy.io.savemat(file_name, mdict, appendmat=True, format='5', long_field_names=False, do_compression=False, oned_as='column')
以 .mat 格式存储变量及名称，示例如下：

点击查看代码

import numpy as np
from scipy.io import savemat

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

mdict = {'a': a, 'b': b}
savemat('mydata.mat', mdict)

4、matplotlib 模块

plt.gca()
返回当前绘图实例（return the current Axes instance, which represents the plot area of a figure in Matplotlib）。
plt.pcolor()
对二维数据进行伪彩色处理（pseudocolor），即二维阵列中的每个数据点都由一个彩色方块表示。示例，plt.pcolor(graph, cmap='jet')，指定色彩映射参数为jet（ranges from blue to red with white in the middle）。

5、time 模块

time.time()和time.perf_counter()
常用于计时，示例如下：

点击查看代码

import time

start_time = time.time()

# Code to measure the time taken
# ...

end_time = time.time()

print("Time taken: ", end_time - start_time, "seconds")