Доступно с лицензией Spatial Analyst.
Доступно с лицензией Image Analyst.
В этом разделе рассматривается оценка точности классификации и способы интерпретации результатов.
Оценка точности вашей классификации
Оценка точности использует базовый набор данных для определения точности результатов классификации. Значения базового набора данных должны соответствовать схеме. Базовые данные могут быть представлены в нескольких форматах:
- Набор растровых данных, являющийся классифицированным изображением.
- Класс полигональных объектов или шейп-файл. Формат атрибутивной таблицы класса объектов должен соответствовать формату обучающей выборки. Для этого вы можете создать базовый набор данных на странице Менеджер обучающих выборокдля чтения и написания этого набора данных.
- Класс точечных объектов или шейп-файл. Этот формат должен соответствовать выходным данным инструмента Создать точки оценки точности. Если вы используете существующий файл и собираетесь конвертировать его в подходящий формат, воспользуйтесь инструментом геообработки Создать точки оценки точности.
Для выполнения оценки точности необходимо указать два параметра: количество случайных точек и стратегию выборки.
Количество случайных точек
Параметр Количество случайных точек показывает общее количество случайных точек, которые будут созданы. Фактическое число может превышать, но никогда не может быть ниже этого числа, в зависимости от стратегии выборки и количества классов. Число произвольно расположенных точек по умолчанию равно 500.
Стратегия выборки
Задайте используемую схему выборок:
- Стратифицированная случайная выборка - создание точек, которые случайным образом распределены внутри каждого класса; при этом количество точек в каждом классе пропорционально его относительной площади. Используется по умолчанию.
- Выровненная стратифицированная случайная выборка - создание точек, которые произвольно распределены в каждом классе; при этом каждый класс содержит равное количество точек.
- Произвольно - создание точек, которые произвольно распределены по всему изображению.
Оценка ваших результатов
Когда вы запустите этот инструмент, вы увидите графическое представление матрицы неточностей. Удерживайте курсор над ячейкой, чтобы просмотреть значения Количество, Пользовательская точность, Точность построителя и FScore. В нижней части панели также отображается значение Kappa. Выходная таблица будет добавлена к панели Содержание.
Анализ диагонали
Точность представлена значениями от 0 до 1, при этом 1 означает 100-процентную точность. Значения Точность построителя и Пользовательская точность для всех классов указываются вдоль диагональной оси. Цвет по диагонали варьируется от светло-синего до темно-синего, причем более темный синий цвет указывает на более высокую точность. При наведении курсора мыши на ячейку отображаются значения точности и F score для каждой из них.
В отличие от диагонали, цветные ячейки вне диагонали указывают количество значений класса несоответствий, присутствующих в матрице неточностей. Удерживая курсор над ячейками, вы можете увидеть результаты матрицы неточностей для каждой пары классов.
Просмотр выходной матрицы неточностей
Если вы хотите просмотреть подробные сведения об отчете об ошибках, вы можете загрузить этот отчет на панели Содержание и открыть его. Это будет файл в формате .dbf, который находится в проекте или в указанной вами выходной папке. В таблице матрицы неточностей указаны точность пользователя (столбец U_Accuracy) и точность производителя (столбец P_Accuracy) для каждого класса, а также суммарный статистический индекс согласия kappa. Диапазон точности варьируется от 0 до 1, при этом 1 означает 100% точность. Ниже приведен пример матрицы неточностей:
| c_1 | c_2 | c_3 | Всего | U_Accuracy | Kappa | |
|---|---|---|---|---|---|---|
c_1 | 49 | 4 | 4 | 57 | 0.8594 | 0 |
c_2 | 2 | 40 | 2 | 44 | 0.9091 | 0 |
c_3 | 3 | 3 | 59 | 65 | 0.9077 | 0 |
Всего | 54 | 47 | 65 | 166 | 0 | 0 |
P_Accuracy | 0.9074 | 0.8511 | 0.9077 | 0 | 0.8916 | 0 |
Kappa | 0 | 0 | 0 | 0 | 0 | 0.8357 |
Столбец пользовательской точности показывает ложноположительные результаты или ошибки выполнения, когда пикселы неправильно классифицируются как известный класс, в то время как их следовало бы классифицировать как нечто другое. Пользовательскую точность называют также ошибкой типа 1. Данные для расчета коэффициента ошибок считываются со строк таблицы. Пользовательская точность рассчитывается путем деления общего количества классифицированных точек, которые согласуются с базовыми данными, на общее количество классифицированных точек для данного класса. Строка Всего показывает число точек, которые согласно базовым данным должны были определиться как заданный класс. Примером может служить случай, когда классифицированное изображение определяет пиксел как асфальт, но базовые данные указывают на него как на лес. Класс асфальт содержит дополнительные пикселы, которых у него не должно быть, согласно базовым данным.
В столбце Точность построителя отображаются ложноотрицательные результаты или ошибки пропусков. Точность построителя показывает, насколько точно результаты классификации соответствуют ожиданиям создателя. Точность построителя также называют ошибкой типа 2. Данные для расчета этого коэффициента ошибок считываются со столбцов таблицы. Точность построителя рассчитывается путем деления общего количества классифицированных точек, которые согласуются с базовыми данными, на общее количество базовых точек для этого класса. Эти значения являются ложноотрицательными значениями среди классифицированных результатов. Столбец Всего показывает число точек, которые согласно классифицированной карте определились как заданный класс. Примером может служить случай, когда базовые данные идентифицируют пиксел как асфальт, а классифицированное изображение идентифицирует его как лес. Согласно базовым данным, класс асфальт не содержит достаточного количества пикселов.
Статистика соответствия Kappa обеспечивает общую оценку точности классификации.
Пересечение по объединению (IoU) - это область перекрытия между прогнозируемой сегментацией и данными наземного контроля, деленная на область слияния между прогнозируемой сегментацией и данными наземного контроля. Среднее значение IoU вычисляется для каждого класса.