遥感&机器学习入门实战教程｜Sklearn案例⑫：神经网络（MLP）+ 全图预测

最新推荐文章于 2025-12-04 10:48:53 发布

原创最新推荐文章于 2025-12-04 10:48:53 发布 · 414 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #sklearn #神经网络 #python

Python基础专栏收录该内容

22 篇文章

订阅专栏

Python3.9

Conda

Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

在前面的内容中，我们介绍了多种传统方法和集成学习模型。本篇带来 sklearn.neural_network 模块中的 多层感知机（MLP），并结合遥感影像完成从训练评估到整图预测的完整流程。

往期内容和数据链接如下：

遥感&机器学习入门实战教程数据集分享

🧠 理论与参数要点

多层感知机（MLP, Multi-Layer Perceptron）由多层线性变换与非线性激活函数组成，通过反向传播与优化器不断更新权重，是最基础的前馈神经网络。

结构：输入层 → 隐藏层（如 ReLU、Tanh）→ 输出层（Softmax）。
优化器：支持 adam、sgd、lbfgs，其中 adam 适合大多数情况。
正则化：参数 alpha 控制 L2 正则强度，用于防止过拟合。
早停机制：early_stopping=True 时，模型在验证集上若若干轮无提升会自动停止，避免浪费计算。

常用参数：

hidden_layer_sizes=(128,64)：两层隐藏层，分别含128和64个神经元。
activation="relu"：非线性激活函数。
max_iter=400：最大迭代次数。
alpha=1e-4：正则化强度。

💻 代码示例：MLP 分类与整图预测

仅需修改 DATA_DIR 为包含 KSC.mat 和 KSC_gt.mat 的目录，即可运行。

# -*- coding: utf-8 -*-
"""
Sklearn案例⑫：MLP像素级分类 + 全图预测 + 混淆矩阵
"""

import os, numpy as np, scipy.io as sio, matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap, BoundaryNorm

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import (confusion_matrix, classification_report,
                             accuracy_score, cohen_kappa_score)

# ===== 参数 =====
DATA_DIR     = "your_path"   # ← 修改为你的数据路径
PCA_DIM      = 30
TRAIN_RATIO  = 0.3
SEED         = 42

# ===== 1. 数据加载 =====
X = sio.loadmat(os.path.join(DATA_DIR, "KSC.mat"))["KSC"].astype(np.float32)
Y = sio.loadmat(os.path.join(DATA_DIR, "KSC_gt.mat"))["KSC_gt"].astype(int)
h, w, b = X.shape
coords = np.argwhere(Y != 0)
labels = Y[coords[:,0], coords[:,1]] - 1
num_classes = int(labels.max() + 1)

# ===== 2. 划分训练/测试集 =====
train_ids, test_ids = train_test_split(
    np.arange(len(coords)), train_size=TRAIN_RATIO,
    stratify=labels, random_state=SEED
)

train_pixels = X[coords[train_ids,0], coords[train_ids,1]]
test_pixels  = X[coords[test_ids,0],  coords[test_ids,1]]

# ===== 3. 无泄露预处理 =====
scaler = StandardScaler().fit(train_pixels)
pca    = PCA(n_components=PCA_DIM, random_state=SEED).fit(scaler.transform(train_pixels))

X_train = pca.transform(scaler.transform(train_pixels))
X_test  = pca.transform(scaler.transform(test_pixels))
y_train, y_test = labels[train_ids], labels[test_ids]

# ===== 4. 定义并训练MLP =====
mlp = MLPClassifier(
    hidden_layer_sizes=(128, 64),
    activation="relu",
    solver="adam",
    alpha=1e-4,
    learning_rate_init=1e-3,
    max_iter=400,
    early_stopping=True,
    n_iter_no_change=15,
    validation_fraction=0.1,
    random_state=SEED
)
mlp.fit(X_train, y_train)

# ===== 5. 测试集评估 =====
y_pred = mlp.predict(X_test)
oa = accuracy_score(y_test, y_pred)
kappa = cohen_kappa_score(y_test, y_pred)
cm = confusion_matrix(y_test, y_pred, labels=np.arange(num_classes))
cm_norm = cm / np.maximum(cm.sum(axis=1, keepdims=True), 1)

print(f"OA={oa*100:.2f}%  Kappa={kappa:.4f}")
print(classification_report(y_test, y_pred, digits=4, zero_division=0))

# ===== 6. 混淆矩阵（带数字，颜色柔和）=====
fig, axes = plt.subplots(1, 2, figsize=(11, 4.2), constrained_layout=True)

# 计数矩阵
im0 = axes[0].imshow(cm, interpolation='nearest', cmap=plt.cm.YlGnBu, alpha=0.9)
axes[0].set_title("混淆矩阵（计数）")
axes[0].set_xlabel("预测"); axes[0].set_ylabel("真实")
fig.colorbar(im0, ax=axes[0], fraction=0.046, pad=0.04)
for i in range(num_classes):
    for j in range(num_classes):
        axes[0].text(j, i, str(cm[i, j]), ha='center', va='center',
                     color='black' if cm[i,j] < cm.max()/2 else 'white', fontsize=9)

# 归一化矩阵
im1 = axes[1].imshow(cm_norm, vmin=0, vmax=1, cmap=plt.cm.OrRd, alpha=0.9)
axes[1].set_title("混淆矩阵（归一化）")
axes[1].set_xlabel("预测"); axes[1].set_ylabel("真实")
fig.colorbar(im1, ax=axes[1], fraction=0.046, pad=0.04)
for i in range(num_classes):
    for j in range(num_classes):
        axes[1].text(j, i, f"{cm_norm[i,j]*100:.1f}%", ha='center', va='center',
                     color='black', fontsize=9)

plt.show()

# ===== 7. 整图预测 =====
X_flat = X.reshape(-1, b)
X_flat_pca = pca.transform(scaler.transform(X_flat))
pred_flat  = mlp.predict(X_flat_pca).reshape(h, w) + 1

# 调色板
base_cmap = plt.get_cmap('tab20')
colors = [base_cmap(i % 20) for i in range(num_classes)]
cmap = ListedColormap(colors)
boundaries = np.arange(0.5, num_classes + 1.5, 1)
norm = BoundaryNorm(boundaries, cmap.N)

fig2, ax2 = plt.subplots(figsize=(8.8, 6.6), constrained_layout=True)
im = ax2.imshow(pred_flat, cmap=cmap, norm=norm, interpolation='nearest')
ax2.set_title("MLP 整图预测结果")
ax2.axis('off')
cbar = fig2.colorbar(im, ax=ax2, boundaries=boundaries,
                     ticks=np.arange(1, num_classes+1, max(1, num_classes//12)),
                     fraction=0.046, pad=0.04)
cbar.set_label("类别ID", rotation=90)
plt.show()