监督分类和面向对象分类流程

ENVI监督分类步骤监督分类是一种机器学习技术，用于将输入数据分为不同的类别。

此技术广泛应用于各种领域，如自然语言处理、计算机视觉和数据挖掘等。

以下是监督分类的步骤：1.收集和准备数据：在监督分类之前，需要收集与问题相关的数据集。

这些数据可以是结构化的，如表格数据，也可以是非结构化的，如文本或图像数据。

然后，需要对数据进行清洗和预处理，以确保数据的质量和一致性。

2.选择特征：特征是用于描述数据的属性或要素。

在监督分类中，需要选择合适的特征，以便能够准确地区分不同的类别。

特征选择的目标是减少特征空间的维度，同时保留最有信息量的特征。

3.划分数据集：将数据集划分为训练集和测试集是非常重要的步骤。

训练集用于训练分类模型，而测试集用于评估模型的性能。

通常，数据集的大部分数据被用于训练，而较小的部分用于测试，以确保模型的泛化能力。

4.选择合适的分类算法：监督分类有多种算法可供选择，如逻辑回归、支持向量机、决策树和随机森林等。

选择合适的算法取决于问题的特点、数据的类型和规模以及计算资源的可用性等因素。

5.训练模型：在监督分类中，需要使用训练集对选择的分类算法进行训练。

训练过程包括通过调整模型的参数来最大程度地减少预测误差。

训练时间的长短取决于数据集的规模和复杂性，以及使用的算法的效率。

6.评估模型性能：使用测试集来评估训练好的模型的性能是非常重要的。

可以使用各种指标来度量模型的性能，如准确率、精确率、召回率和F1分数等。

这些指标可以帮助理解模型在不同类别上的表现，并为模型的改进提供方向。

7.优化和改进模型：如果模型的性能不理想，可以通过优化和改进模型来提高性能。

这可以包括调整模型的超参数、增加更多的训练数据、采用集成学习方法或应用特征工程等。

8.部署和应用模型：一旦模型经过训练和验证，并且达到了理想的性能水平，就可以将其部署到实际应用中。

在应用中，可以使用模型来进行分类预测，对新的未知数据进行分类。

监督分类是一个迭代的过程，往往需要多次尝试和调整，以得到最好的模型性能。

一．绪论1.遥感的定义：遥感即遥远感知，是在不直接接触的情况下，对目标或自然现象远距离探测和感知的一种技术。

2.遥感的过程:地物发射或反射电磁波通过介质（大气）被传感器接受，通过传感器获取数据，再经计算机对数据处理后，我们提取有用的信息，最后应用于实践。

（地物发射或反射电磁波→介质（大气）→传感器数据获取→计算机数据处理→信息提取→应用）二．电磁波及物理遥感基础1.电磁波的定义：变化的电场和磁场交替产生，以有限的速度由近及远在空间内传播的过程称为电磁波。

2.电磁波的特性：波动性（干涉、衍射、偏振）粒子性（光电转换）3.电磁波谱的定义:按电磁波在真空中传播的波长或频率递增或递减顺序排列，就能得到电磁波谱。

4.（1）地物发射电磁波:①绝对黑体的定义：如果一个物体对于任何波长的电磁辐射都全部吸收，则这个物体是绝对黑体。

黑体辐射1.绝对黑体：吸收率α(λ,T)≡1 反射率ρ（λ,T）≡02.绝对白体：吸收率α(λ,T)≡0 反射率ρ（λ,T）≡1 绝对黑体与绝对白体与温度和波长无关。

②遥感的两种形式：被动遥感，主动遥感。

其中太阳是被动遥感最主要的辐射源。

⒈太阳辐射的特点：与黑体特性一致；能量集中在可见光和红外波段。

⒉一般物体的发射辐射：自然界中实际物体的发射和吸收的辐射量都比相同条件下绝对黑体的低。

发射率ε：实际物体与同温度的黑体在相同条件下辐射功率之比。

ε= W′/ W（ε是一个介于0和1的数）►绝对黑体ελ＝ε＝1►灰体ελ＝ε但0＜ε＜1►选择性辐射体ε＝ｆ(λ)►理想反射体（绝对白体）ελ＝ε＝0大多数物体可以视为灰体：W'=εW=εσT4（2）地物反射电磁波：①光谱反射率:物体的反射辐射通量与入射辐射通量之比。

②反射波谱特征曲线：反射波谱是某物体的反射率（或反射辐射能）随波长变化的规律，以波长为横坐标，反射率为纵坐标所得的曲线即为该物体的反射波谱特性曲线。

同一地物时间效应：地物的光谱特性一般随时间季节变化。

第４０卷第２期贵州大学学报（自然科学版）Ｖｏｌ．４０Ｎｏ．２２０２３年　３月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｍａｒ．２０２３文章编号　１０００ ５２６９（２０２３）０２ ００６７ ０７ＤＯＩ：１０．１５９５８／ｊ．ｃｎｋｉ．ｇｄｘｂｚｒｂ．２０２３．０２．１１面向对象的多层次规则分类地物遥感信息提取方法试验分析研究丘鸣语１，甘　淑 １，２（１．昆明理工大学国土资源工程学院，云南昆明６５００９３；２．云南省高校高原山区空间信息测绘技术应用工程研究中心，云南昆明６５００９３）摘　要：监测土地覆盖变化是目前高分辨率遥感的重要应用领域，城市覆盖地物变更速度快、地物类型复杂，使用传统方法提取监测难度较大。

针对此问题，选择云南省大理白族自治州上官镇为研究区，以ＧＦ ２ＰＭＳ遥感影像为数据源；采用面向对象的方法对研究区进行最优分割尺度分割，选取最优特征组合用于构建模糊分类规则，分层次进行地物提取，最终获得研究区地物类型分布图。

运用混淆矩阵方法进行精度评价，面向对象的多层次规则分类法提取分类效果良好，分类总体精度达７９ ９５％，Ｋａｐｐａ系数为０ ７４。

与基于像元的分类方法和单一尺度下面向对象的提取分类法相比，面向对象的多层次规则分类法精度明显提高，说明本方法运用于复杂地物提取分类具有较好可行性。

关键词：面向对象；ＧＦ ２；多层次分类；最优分割尺度；多尺度分割中图分类号：Ｐ２３７ 文献标志码：Ａ 随着遥感技术的发展，越来越多的遥感卫星进入太空，其能实时、多尺度提供影像的特点，为快速准确获取地面信息、监测地表变化提供了更多可能。

真实的土地覆盖、利用数据对国土资源空间优化、提升土地利用规划和管理水平至关重要［１ ３］。

目前，常用的中低分辨率影像，如ＭＯＤＩＳ、Ｌａｎｄｓａｎｔ等可用于大尺度监测，但其分辨率也限制了它无法运用于复杂地形、精细地物的分类提取；高分辨率影像的出现弥补了这一缺陷，高分辨率影像具有高精度、高空间分辨率等特点，更适用于小型地物提取与精细的地物分类，但其在带来更多空间信息的同时也带来了噪声与信息冗余［４］。

基于面向对象的多光谱数据的地表信息提取应用摘要随着计算机技术和遥感技术的发展，遥感技术在社会的各个方面得到了广泛应用，如对资源、环境、灾害、城市等进行调查、监督、分析和预测、预报等方面的工作。

所以分类作为遥感技术中的一项最基本的研究，也是遥感技术运用最为广泛的一项技术，也相应的提出了更高的要求。

然而目前主要的分类方法是监督分类和非监督分类，这两种方法是基于像元的分类方法，不能有效的利用影像的空间纹理信息。

而且基于像元的分类方法还存在着分类结果出现椒盐现象的问题，从而导致大量无效破碎图斑的产生，最终导致分类精度不高。

随后又提出了在此两种方法的基础上该进的方法，如模糊分类法、基于神经网络的分类方法和基于决策树的分类方法等。

虽然后述这些方法在一定的程度上提高了分类的精度，但是他们依旧是建立在像元的基础上，也没有考虑到对象的空间纹理信息。

所以也会出现上述的一些问题（如：椒盐现象等）。

所以传统的分类方法已不能满足分类的需求。

所以基于以上这些问题，面向对象的分类方法应运而生，面向对象的分类方法充分利用影像的光谱信息、空间几何信息、纹理信息来进行分类。

采用多尺度分割算法，采用不同的分割尺度，能够较好的提取各种尺寸大小的地物。

所以运用面向对象的分类方法提取地表信息是，能够细致的提取出地表所覆盖的地物种类，并且能够达到更高的提取精度，能够更加准确的为相关部门提供数据资料，为相关部门作出决策判断提供依据。

本文中采用面向对象的分类方法与传统的基于像元的分类方法相比有一下有点：基于影像多尺度分割得到同质像元组成的影像对象，对象内部的光谱差异值很小可以忽略其内部的信息，从而避免了椒盐现象的出现，对象之间的区分同时考虑了光谱和形状两种因子，为分类提供了更多的特征，有效地克服了基于像元分类的一些局限性；多尺度的空间分析，可以满足不同尺度地物的信息提取要求；模拟人脑的思维方式充分利用影像对象的各种特征，以达到尽可能高的精度提取地物信息的目的。

监督分类的主要流程监督分类是一种用于管理和监督不同类别的任务和活动的流程。

它可以确保组织和团队按照既定的标准和要求执行任务，并及时解决问题和改进流程。

监督分类的主要流程通常包括以下几个步骤：1.确定分类标准：首先，需要确定用于分类的标准和指标。

这些标准可以是任务的类型、优先级、难度、关联部门等。

分类标准的确定应该考虑到组织的需求和目标，以及任务的特点和要求。

2.创建分类系统：根据确定的分类标准，需要创建一个分类系统。

这个系统可以是一个分类矩阵、分类树状图、分类标签等。

分类系统的设计应该能够清晰地反映任务的分类关系，方便监督和管理。

3.任务分类：将各项任务根据分类标准进行分类。

分类的过程可以根据任务的特点和要求，以及分类系统的设计进行。

任务分类应该是明确的、一致的，能够准确反映任务的性质和分类关系。

4.任务分配：根据任务的分类，将任务分配给相应的负责人或团队。

任务的分配可以根据分类的结果，以及任务的要求、紧急程度、工作负荷等进行。

分配任务时应该明确任务的责任和要求，确保任务能够按时完成。

5.监督执行：在任务执行过程中，需要进行监督和跟踪。

监督的内容可以包括任务的进度、质量、问题和风险等。

监督可以通过定期的会议、报告、检查等方式进行。

监督的目的是确保任务按照要求和标准进行，及时解决问题和改进流程。

6.问题解决和改进：在监督过程中，可能会发现问题和改进的机会。

问题可以是任务执行过程中的障碍、质量问题、资源不足等。

改进可以是流程的优化、任务的优化、资源的调整等。

问题的解决和改进应该及时跟进，确保任务的顺利进行和质量的提高。

7.反馈和评估：在任务完成后，需要进行反馈和评估。

反馈可以是任务执行的情况、问题和改进的结果等。

评估可以是任务的绩效、流程的效果等。

反馈和评估的目的是总结经验、提供改进建议，为下一次任务的执行提供参考和借鉴。

总的来说，监督分类的主要流程包括确定分类标准、创建分类系统、任务分类、任务分配、监督执行、问题解决和改进、反馈和评估等步骤。

ENVI--监督分类步骤ENVI监督分类监督分类用于在数据集中根据用户定义的训练样本类别聚集像元。

训练样本类别是像元的集合或单一波谱。

在分类过程中，可以选择它们作为代表区域或分类素材。

监督分类的步骤：类别定义/特征判别——样本选择——分类器选择——影像分类——分类后处理——结果验证数据：以Landsat TM为数据源，影像can_tmr.img处理过程：一、样本选择：打开影像can_tmr.img后543波段显示，目视判断一下这个影像中地物大概分几类，可定义偏暗红色的为裸地，鲜绿色的为耕地，深绿色的为林地，白色的为沙地，沙地与林地之间的绿色的为草地，黑色的为阴影与水体定义为其他。

在主影像窗口菜单中点overlay----region of interests, ROI tool窗口就打开了，window 的方式点击zoom窗口，先定义一类ROI：裸地在缩放窗口中画裸地，画的图斑尽量小，分布尽量均匀。

划完裸地后，点击new region，定义新的种类，沙地、林地、草地、其他的定义和画法都同裸地一样。

得到如下结果：二、验证样本：在ROI tool对话框菜单点击options—compute ROI separability 计算ROI 可分离性，这是一种定量的方式来验证样本的方法。

还有一种定性的来验证样本的方法是N维可视化方法。

选择要进行可分离性计算的文件为影像can_tmr.img，点击OK点击把六组样本都选择，点击OK。

出现如下报告：红笔圈画区域数字代表两类样本的相近性，数字越大代表越不相近，两类样本越不好区分。

后面每一栏>1.8最好，所以我们需要修改林地和草地。

激活草地（表格中草地前面带星号），点击Goto，进行逐一删除后重新画样本。

下图是我修改后进行计算ROI可分离性后的结果，每项都>1.8，合格。

三、影像分类：选好“训练场地”---样本后，我们就要把选好的样本适用于全图进行分类。

测绘技术中的地理分类方法引言地理分类是测绘技术中的一项重要工作，它通过对地球表面的特征进行分析和归类，帮助我们更好地理解和利用地理信息。

本文将介绍测绘技术中常用的地理分类方法以及它们的应用。

一、遥感分类遥感分类是将遥感图像中的像素按照一定的规则和标准分成不同的类别的过程。

遥感图像是通过卫星、飞机等遥感平台获取的，其分辨率高、覆盖范围广，因此适用于大规模的地理分类工作。

常见的遥感分类方法包括像元分类、面向对象分类和监督分类等。

像元分类是将遥感图像中每个像元（最小单位）根据其反射率或辐射度等特征进行分类。

这种方法简单快速，但容易受到光照条件、地物复杂性等因素的影响。

面向对象分类则是将相邻像元根据其空间接近性、颜色或纹理等特征组成对象,然后对这些对象进行分类。

这种方法考虑了地物的空间信息，因此可以更好地区分不同的地物类别。

监督分类是利用已知样本像元的地物类别来训练分类器，然后根据这个分类器对整幅图像进行分类。

该方法需要大量的样本数据，但其分类结果准确度较高。

二、地形分类地形分类是根据地面起伏和高程分布等特征将地球表面划分成不同的地形类型。

地形分类在土地利用规划、环境保护等方面具有重要意义。

常见的地形分类方法包括等高线分类、基于数字高程模型（DEM）的分类和地貌分类等。

等高线分类是根据等高线的形状、间距和密度等特征对地形进行分类。

这种方法简单直观，适用于地形起伏较大的地区。

基于DEM的分类是利用数字高程模型中的高程数据对地面进行分类。

通过计算高程梯度、坡度和坡向等指标，可以划分出山地、平原、河流等不同的地形类型。

地貌分类是根据地貌单元的形状和组成等特征将地表划分成不同的地貌类型。

地貌分类在地理学和地质学研究中得到广泛应用，可以帮助我们了解地球表面的形成和演化过程。

三、土地利用分类土地利用分类是根据土地利用功能对地表进行划分。

土地利用分类在城市规划、农业生产、生态保护等方面具有重要意义。

常见的土地利用分类方法包括人工解译、遥感解译和分类系统等。

高分一号城市绿地现状调查与分析实现教程本文将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程（图一)图一首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。

第一章数据预处理因为处理数据是高分一号影像，本文处理软件为ENVI5.1，因为ENVI5。

2以下版本不能对高分一号直接进行处理,所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置（图二）,然后就可以打开高分影像了（图三）图二图三为了加快数据处理的速度，本文是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图（图四)：图四1.1 辐射校正分为辐射定标和大气校正（1）打开数据:ENVI—Open As—CRESDA-GF-1,选择处理的影像，打开XML后缀文件；（2）辐射定标:选择Toolbox->Radiometric Correction—〉 Radiometric Calibration,选择待处理的高分数据弹出Radiometric Calibration对话框，进行如图设置。

对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance，Out Put Type 为UInt，Scale Factor为1000，如下图:高分一号多光谱影像参数设置高分一号全色影像参数设置（3）大气校正：选择Toolbox-〉Radiometric Correction—〉Atmospheric Correction Module-〉FLAASH Atmospheric Correction,弹出FLAASH Atmospheric Correction Model Input Parameters对话框。

遥感数字图像处理-要点编辑整理：尊敬的读者朋友们：这里是精品文档编辑中心，本文档内容是由我和我的同事精心编辑整理后发布的，发布之前我们对文中内容进行仔细校对，但是难免会有疏漏的地方，但是任然希望（遥感数字图像处理-要点）的内容能够给您的工作和学习带来便利。

同时也真诚的希望收到您的建议和反馈，这将是我们进步的源泉，前进的动力。

本文可编辑可修改，如果觉得对您有帮助请收藏以便随时查阅，最后祝您生活愉快业绩进步，以下为遥感数字图像处理-要点的全部内容。

遥感数字图像处理—要点1．概论遥感、遥感过程遥感图像、遥感数字图像、遥感图像的数据量遥感图像的数字化、采样和量化通用遥感数据格式（BSQ、BIL、BIP）遥感图像的模型：多光谱空间遥感图像的信息内容：遥感数字图像处理、遥感数字图像处理的内容遥感图像的获取方式主要有哪几种？如何估计一幅遥感图像的存储空间大小？遥感图像的信息内容包括哪几个方面?多光谱空间中,像元点的坐标值的含义是什么？与通用图像处理技术比较，遥感数字图像处理有何特点？遥感数字图像处理包括那几个环节?各环节的处理目的是什么?2。

遥感图像的统计特征2。

1图像空间的统计量灰度直方图：概念、类型、性质、应用最大值、最小值、均值、方差的意义2.2多光谱空间的统计特征均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义波段散点图概念及分析主要遥感图像的统计特征量的意义两个重要的图像分析工具：直方图、散点图3。

遥感数字图像增强处理图像增强：概念、方法空间域增强、频率域增强3.1辐射增强：概念、实现原理直方图修正，线性变换、分段线性变换算法原理直方图均衡化、直方图匹配的应用3。

2空间增强邻域、邻域运算、模板、模板运算空间增强的概念平滑（均值滤波、中值滤波）原理、特点、应用锐化、边缘增强概念方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点•计算图像经过下列操作后，其中心象元的值：–3×3中值滤波–采用3×3平滑图像的减平滑边缘增强–域值为2的3×1平滑模板–Sobel边缘检测–Roberts边缘检测–模板3.3频率域处理高频和低频的意义图像的傅里叶频谱频率域增强的一般过程频率域低通滤波频率域高通滤波同态滤波的应用3。

监督分类（Supervised Classification）监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。

在监督分类过程中，首先选择可以识别或者借助于其他信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。

对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。

监督分类一般要经过以下几个步骤：建立模板（训练样本）、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。

1．建立模板（训练样本、定义分类模板Define Signatures）ERDAS IMAGINE的监督分类是基于分类模板（Classification Signature）来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器（Signature Editor）来负责的。

在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。

第一步：显示需要分类的图像在视窗Viewer中显示图像aaa.img第二步：打开分类模板编辑器（两种方式）①ERDAS图标面板菜单条：Main →Image Classification → Classification菜单→ Signature Editor菜单项→ Signature Editor对话框②ERDAS图标面板工具条：点击Classifier图标→Classification菜单→Signature Editor菜单项→ Signature Editor对话框从上图中可以看到分类模板编辑器由菜单条、工具条和分类模板属性表（CellArray）三大部分组成。

第三步：调整分类属性字段Signature Editor对话框中的分类属性表中有很多字段，分类名称（将带入分类图像）分类颜色（将带入分类图像）分类代码（只能用正整数）分类过程中的判断顺序分类样区中的像元个数分类可能性权重（用于分类判断）不同字段对于建立分类模板的作用或意义是不同的，为了突出作用比较大的字段，需要进行必要的调整。

基于Nearest Neighbor 的面向对象监督分类1. 启动eCognition 8.9，选择Rule Set Mode ，Ok 。

2. 新建Project ：File →New project ，或者工具栏上的新建按钮。

在弹出的对话框中选择要添加的文件l8_rs_wgs84_sub.img ，点Ok ，可以看到它包含8个分辨率为30m 的图层，双击每个图层可以修改它的图层名，利于分辨。

然后点图层窗口右边的Insert ，在弹出的对话框中选择l8_pan_rs_wgs84_sub.img 文件，Ok 后将Pan 波段添加进来。

最后，点Thematic Layer Alias 窗口右边的Insert 按钮，选择2002 forest types UTM WGS84.shp 文件，Ok 后将森林类型专题图添加进来，双击该矢量层，将图层名修改为Foresttype ，最终效果如下图：D E NG _0316Project Name 等按默认，点Ok ，回到主界面，图像按前3个波段RGB 显示，如下图：为了更好的辨别地物类型，点击工具栏上的图层显示编辑按钮，在弹出的对话框中点击修改RGB 为NIR ，Green ，Blue 显示：D E N G _0316如果取消勾选左下角No layer weights ，还可以设置不同波段的比重，在调整不同波段的比重时，在数值上左击鼠标增加比重，右击鼠标减少比重，如下图：点Ok 进行波段显示调整后的效果如下，然后保存这个Project 为l8_rs_wgs84_sub.dpr 。

D E N G _03163. 将图像分解为基本对象：首先，在Process Tree 窗口（如果没有，菜单栏View →Windows →Process Tree 调出），右击，选择Append New ，将Name 改为Segmentation ，其他按默认，然后点击Ok ：其次，在Process Tree 窗口，右击Segmentation 这个新建规则(Rule)，选Insert Child(插入子规则)，Name 勾选自动，Algorithm 下拉菜单选择multiresolution segmentation （最常用的分割算法），在右边的参数窗口，找到Scale parameter 并将其设置为150，其他默认，然后点Execute(立即实行)或者Ok(稍后实行)。

监督分类的主要流程监督学习是机器学习中的一种方法，分类是监督学习的一个重要任务。

监督分类的主要流程包括以下步骤：1. 数据收集：-获取数据集：收集包含已知标签的数据集，其中每个样本都有一个特征向量和对应的标签。

-数据清洗：处理数据中的缺失值、异常值或噪声，确保数据的质量。

2. 数据划分：-训练集和测试集：将数据集划分为训练集和测试集，通常采用交叉验证的方法，确保模型的泛化能力。

-验证集（可选）：在训练集和测试集之外，有时还可以设置验证集用于模型调优。

3. 特征选择和提取：-特征选择：选择对分类任务有意义的特征，去除冗余或无关的特征，以提高模型的效果。

-特征提取：对原始特征进行变换，提取更有信息量的特征，如主成分分析（PCA）等方法。

4. 选择分类模型：-选择算法：选择适合任务的分类算法，常见的有决策树、支持向量机、神经网络、朴素贝叶斯等。

-模型参数：配置模型参数，可以通过交叉验证等方法进行调整。

5. 模型训练：-输入训练数据：使用训练集将选择的分类算法进行训练，学习模型的参数。

-模型拟合：算法通过训练数据拟合模型，使其能够正确地对新数据进行分类。

6. 模型评估：-测试集评估：使用测试集对训练好的模型进行评估，计算分类准确度、精确度、召回率等性能指标。

-交叉验证：使用交叉验证等方法，确保评估结果的可靠性。

7. 调优和优化：-调整参数：根据评估结果，调整模型的参数，以提高模型性能。

-特征工程：进行特征工程，尝试不同的特征选择和提取方法，以改善模型表现。

8. 模型应用：-新数据预测：当模型经过训练和优化后，可以用于对新数据进行分类预测。

-部署：部署模型到实际应用中，如生产环境或其他系统中。

以上流程涵盖了监督分类的主要步骤，实际应用中可能会有一些变化和细节上的调整，具体取决于任务的复杂性和数据的特点。