google earth engine随缘学习（十）最大熵模型(Maximum Entropy Model)

最新推荐文章于 2025-07-01 00:51:13 发布

八千鸟羽

最新推荐文章于 2025-07-01 00:51:13 发布

阅读量1.7k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：小白的GEE学习

本文链接：https://blog.youkuaiyun.com/qq_21567935/article/details/86538234

小白的GEE学习专栏收录该内容

22 篇文章

订阅专栏

本文深入讲解最大熵模型的原理，探讨其在分类任务中的应用。最大熵模型主张在所有可能的概率模型中，熵最大的模型为最优选择。文章通过特征函数描述输入与输出的关系，并设置约束条件确保模型学习的有效性。此外，对比了三种分类方法的效果，发现随机森林在少量样本下表现更佳。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

今天学习利用最大熵模型进行分类，和gee关系不是特别大。。

var classifier = ee.Classifier.gmoMaxEnt();

下面放出关于最大熵模型介绍的链接——https://www.jianshu.com/p/10d778068f70

总结一下，最大熵模型的原理为最大熵原理，其主要思想是：在所有可能的概率模型（分布）中，熵最大的模型是最好的模型。假设分类模型是一个条件概率分布P(Y|X)。对于给定的输入X以条件概率P(Y|X)输出Y。
在这里插入图片描述

用特征函数f(x,y)描述输入x和输出y之间的某一事实定义：

在这里插入图片描述

约束条件为：

在这里插入图片描述

通俗来说，就是训练样本的期望和分类模型的期望相同为模型学习的约束条件，在满足约束条件的若干模型中，熵最大的模型为最大熵模型。

三种分类方法效果对比（少量样本下，可以看出还是随机森林好一些）：

在这里插入图片描述

此外，补充一个函数（输出图像各像元分类精度）：

注意，这个函数并不适用于所有分类方法，以下是示例是continuousNaiveBayes分类方法。
在这里插入图片描述

var classifier = ee.Classifier.continuousNaiveBayes().setOutputMode('PROBABILITY');
var trained = classifier.train(training, 'Class', bands);
var classified = compositeclip.classify(trained);
Map.addLayer(classified,imageVisParam, 'continuousNaiveBayes');