सूचना: 15 अप्रैल, 2025 से पहले, Earth Engine का इस्तेमाल करने के लिए रजिस्टर किए गए सभी गैर-व्यावसायिक प्रोजेक्ट को, Earth Engine का ऐक्सेस बनाए रखने के लिए, गैर-व्यावसायिक इस्तेमाल की ज़रूरी शर्तों की पुष्टि करनी होगी.

इस पेज का अनुवाद Cloud Translation API से किया गया है.

ee.Classifier.libsvm

यह एक खाली सपोर्ट वेक्टर मशीन क्लासिफ़ायर बनाता है.

इस्तेमाल	रिटर्न
`ee.Classifier.libsvm(decisionProcedure, svmType, kernelType, shrinking, degree, gamma, coef0, cost, nu, terminationEpsilon, lossEpsilon, oneClass)`	कैटगरी तय करने वाला

आर्ग्यूमेंट	टाइप	विवरण
`decisionProcedure`	स्ट्रिंग, डिफ़ॉल्ट: "वोटिंग"	क्लासिफ़िकेशन के लिए इस्तेमाल की जाने वाली फ़ैसले की प्रक्रिया. 'वोटिंग' या 'मार्जिन' में से कोई एक. इसका इस्तेमाल रिग्रेशन के लिए नहीं किया जाता.
`svmType`	स्ट्रिंग, डिफ़ॉल्ट: "C_SVC"	एसवीएम का टाइप. इनमें से कोई एक: `C_SVC`, `NU_SVC`, `ONE_CLASS`, `EPSILON_SVR` या `NU_SVR`.
`kernelType`	स्ट्रिंग, डिफ़ॉल्ट: "LINEAR"	कर्नल टाइप. LINEAR (u′×v), POLY ((γ×u′×v + coef₀)ᵈᵉᵍʳᵉᵉ), RBF (exp(-γ×\|u-v\|²)), या SIGMOID (tanh(γ×u′×v + coef₀)) में से कोई एक.
`shrinking`	बूलियन, डिफ़ॉल्ट: true	क्या श्रिंकिंग ह्यूरिस्टिक का इस्तेमाल करना है.
`degree`	पूर्णांक, डिफ़ॉल्ट: null	पॉलिनॉमियल की डिग्री. यह सुविधा, POLY कर्नल के लिए मान्य है.
`gamma`	फ़्लोट, डिफ़ॉल्ट: null	कर्नल फ़ंक्शन में गामा वैल्यू. डिफ़ॉल्ट रूप से, यह वैल्यू सुविधाओं की संख्या के व्युत्क्रम पर सेट होती है. यह POLY, RBF, और SIGMOID कर्नल के लिए मान्य है.
`coef0`	फ़्लोट, डिफ़ॉल्ट: null	कर्नेल फ़ंक्शन में coef₀ वैल्यू. डिफ़ॉल्ट रूप से, यह वैल्यू 0 पर सेट होती है. यह POLY और SIGMOID कर्नल के लिए मान्य है.
`cost`	फ़्लोट, डिफ़ॉल्ट: null	लागत (C) पैरामीटर. डिफ़ॉल्ट वैल्यू 1 होती है. यह सिर्फ़ C-SVC, epsilon-SVR, और nu-SVR के लिए मान्य है.
`nu`	फ़्लोट, डिफ़ॉल्ट: null	nu पैरामीटर. डिफ़ॉल्ट रूप से, इसकी वैल्यू 0.5 होती है. यह सिर्फ़ nu-SVC, one-class SVM, और nu-SVR के लिए मान्य है.
`terminationEpsilon`	फ़्लोट, डिफ़ॉल्ट: null	टर्मिनेशन की शर्त के लिए टॉलरेंस (e). डिफ़ॉल्ट रूप से, इसकी वैल्यू 0.001 होती है. यह सिर्फ़ ऐप्सीलॉन-एसवीआर के लिए मान्य है.
`lossEpsilon`	फ़्लोट, डिफ़ॉल्ट: null	लॉस फ़ंक्शन (p) में मौजूद ऐप्सीलॉन. डिफ़ॉल्ट रूप से, यह वैल्यू 0.1 पर सेट होती है. यह सिर्फ़ ऐप्सीलॉन-एसवीआर के लिए मान्य है.
`oneClass`	पूर्णांक, डिफ़ॉल्ट: null	ट्रेनिंग डेटा की वह क्लास जिस पर एक क्लास वाले एसवीएम में ट्रेनिंग दी जानी है. डिफ़ॉल्ट रूप से, यह वैल्यू 0 पर सेट होती है. यह सिर्फ़ एक क्लास वाले एसवीएम के लिए मान्य है. संभावित वैल्यू 0 और 1 हैं. क्लासिफ़ायर का आउटपुट बाइनरी (0/1) होता है. साथ ही, यह क्लास की वैल्यू से मेल खाता है. ऐसा उस डेटा के लिए होता है जिसे क्लास में शामिल किया गया है.

उदाहरण

कोड एडिटर (JavaScript)

// A Sentinel-2 surface reflectance image, reflectance bands selected,
// serves as the source for training and prediction in this contrived example.
var img = ee.Image('COPERNICUS/S2_SR/20210109T185751_20210109T185931_T10SEG')
              .select('B.*');

// ESA WorldCover land cover map, used as label source in classifier training.
var lc = ee.Image('ESA/WorldCover/v100/2020');

// Remap the land cover class values to a 0-based sequential series.
var classValues = [10, 20, 30, 40, 50, 60, 70, 80, 90, 95, 100];
var remapValues = ee.List.sequence(0, 10);
var label = 'lc';
lc = lc.remap(classValues, remapValues).rename(label).toByte();

// Add land cover as a band of the reflectance image and sample 100 pixels at
// 10 m scale from each land cover class within a region of interest.
var roi = ee.Geometry.Rectangle(-122.347, 37.743, -122.024, 37.838);
var sample = img.addBands(lc).stratifiedSample({
  numPoints: 100,
  classBand: label,
  region: roi,
  scale: 10,
  geometries: true
});

// Add a random value field to the sample and use it to approximately split 80%
// of the features into a training set and 20% into a validation set.
sample = sample.randomColumn();
var trainingSample = sample.filter('random <= 0.8');
var validationSample = sample.filter('random > 0.8');

// Train an SVM classifier (C-SVM classification, voting decision procedure,
// linear kernel) from the training sample.
var trainedClassifier = ee.Classifier.libsvm().train({
  features: trainingSample,
  classProperty: label,
  inputProperties: img.bandNames()
});

// Get information about the trained classifier.
print('Results of trained classifier', trainedClassifier.explain());

// Get a confusion matrix and overall accuracy for the training sample.
var trainAccuracy = trainedClassifier.confusionMatrix();
print('Training error matrix', trainAccuracy);
print('Training overall accuracy', trainAccuracy.accuracy());

// Get a confusion matrix and overall accuracy for the validation sample.
validationSample = validationSample.classify(trainedClassifier);
var validationAccuracy = validationSample.errorMatrix(label, 'classification');
print('Validation error matrix', validationAccuracy);
print('Validation accuracy', validationAccuracy.accuracy());

// Classify the reflectance image from the trained classifier.
var imgClassified = img.classify(trainedClassifier);

// Add the layers to the map.
var classVis = {
  min: 0,
  max: 10,
  palette: ['006400' ,'ffbb22', 'ffff4c', 'f096ff', 'fa0000', 'b4b4b4',
            'f0f0f0', '0064c8', '0096a0', '00cf75', 'fae6a0']
};
Map.setCenter(-122.184, 37.796, 12);
Map.addLayer(img, {bands: ['B11', 'B8', 'B3'], min: 100, max: 3500}, 'img');
Map.addLayer(lc, classVis, 'lc');
Map.addLayer(imgClassified, classVis, 'Classified');
Map.addLayer(roi, {color: 'white'}, 'ROI', false, 0.5);
Map.addLayer(trainingSample, {color: 'black'}, 'Training sample', false);
Map.addLayer(validationSample, {color: 'white'}, 'Validation sample', false);

Python सेटअप करना

Python API और इंटरैक्टिव डेवलपमेंट के लिए geemap का इस्तेमाल करने के बारे में जानकारी पाने के लिए, Python एनवायरमेंट पेज देखें.

import ee
import geemap.core as geemap

Colab (Python)

# A Sentinel-2 surface reflectance image, reflectance bands selected,
# serves as the source for training and prediction in this contrived example.
img = ee.Image(
    'COPERNICUS/S2_SR/20210109T185751_20210109T185931_T10SEG'
).select('B.*')

# ESA WorldCover land cover map, used as label source in classifier training.
lc = ee.Image('ESA/WorldCover/v100/2020')

# Remap the land cover class values to a 0-based sequential series.
class_values = [10, 20, 30, 40, 50, 60, 70, 80, 90, 95, 100]
remap_values = ee.List.sequence(0, 10)
label = 'lc'
lc = lc.remap(class_values, remap_values).rename(label).toByte()

# Add land cover as a band of the reflectance image and sample 100 pixels at
# 10 m scale from each land cover class within a region of interest.
roi = ee.Geometry.Rectangle(-122.347, 37.743, -122.024, 37.838)
sample = img.addBands(lc).stratifiedSample(
    numPoints=100, classBand=label, region=roi, scale=10, geometries=True
)

# Add a random value field to the sample and use it to approximately split 80%
# of the features into a training set and 20% into a validation set.
sample = sample.randomColumn()
training_sample = sample.filter('random <= 0.8')
validation_sample = sample.filter('random > 0.8')

# Train an SVM classifier (C-SVM classification, voting decision procedure,
# linear kernel) from the training sample.
trained_classifier = ee.Classifier.libsvm().train(
    features=training_sample,
    classProperty=label,
    inputProperties=img.bandNames(),
)

# Get information about the trained classifier.
display('Results of trained classifier', trained_classifier.explain())

# Get a confusion matrix and overall accuracy for the training sample.
train_accuracy = trained_classifier.confusionMatrix()
display('Training error matrix', train_accuracy)
display('Training overall accuracy', train_accuracy.accuracy())

# Get a confusion matrix and overall accuracy for the validation sample.
validation_sample = validation_sample.classify(trained_classifier)
validation_accuracy = validation_sample.errorMatrix(label, 'classification')
display('Validation error matrix', validation_accuracy)
display('Validation accuracy', validation_accuracy.accuracy())

# Classify the reflectance image from the trained classifier.
img_classified = img.classify(trained_classifier)

# Add the layers to the map.
class_vis = {
    'min': 0,
    'max': 10,
    'palette': [
        '006400',
        'ffbb22',
        'ffff4c',
        'f096ff',
        'fa0000',
        'b4b4b4',
        'f0f0f0',
        '0064c8',
        '0096a0',
        '00cf75',
        'fae6a0',
    ],
}
m = geemap.Map()
m.set_center(-122.184, 37.796, 12)
m.add_layer(
    img, {'bands': ['B11', 'B8', 'B3'], 'min': 100, 'max': 3500}, 'img'
)
m.add_layer(lc, class_vis, 'lc')
m.add_layer(img_classified, class_vis, 'Classified')
m.add_layer(roi, {'color': 'white'}, 'ROI', False, 0.5)
m.add_layer(training_sample, {'color': 'black'}, 'Training sample', False)
m.add_layer(
    validation_sample, {'color': 'white'}, 'Validation sample', False
)
m

ee.Classifier.libsvm संग्रह की मदद से व्यवस्थित रहें अपनी प्राथमिकताओं के आधार पर, कॉन्टेंट को सेव करें और कैटगरी में बांटें.

उदाहरण

कोड एडिटर (JavaScript)

Colab (Python)

ee.Classifier.libsvm