Étiquette | Explication | Type de données |
Rasters en entrée | Jeux de données raster monobandes, multidimensionnels ou multibandes, ou jeux de données mosaïque contenant des variables explicatives. | Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; String |
Fichier de définition de régression en entrée | Fichier au format JSON qui contient des informations attributaires, des statistiques ou d’autres informations issues du modèle de régression. Le fichier a l’extension .ecd. Le fichier est la sortie de l’outil Entraîner le modèle de régression Arbres aléatoires. | File |
Raster prédit en sortie | Raster des valeurs prédites. | Raster Dataset |
Disponible avec une licence Image Analyst.
Synthèse
Prédit les valeurs des données en utilisant la sortie de l’outil Entraîner le modèle de régression Arbres aléatoires.
Utilisation
Si la valeur Raster en entrée est un raster multibande, chaque bande représente une variable explicative. La séquence des bandes dans le raster multibande doit être cohérente avec les entrées utilisées pour entraîner le modèle avec l’outil Entraîner le modèle de régression Arbres aléatoires.
Si la valeur Rasters en entrée est un raster multidimensionnel (une couche raster multidimensionnelle, un CRF multidimensionnel ou un jeu de données mosaïque multidimensionnel), toutes les variables multidimensionnelles doivent être monobandes et la valeur de dimension doit être StdTime ou StdZ. Chaque variable multidimensionnelle est traitée comme variable prédictive. Toutes les variables multidimensionnelles seront utilisées.
Le modèle de régression est défini dans un fichier de définition de régression Esri (.ecd). Il contient toutes les informations concernant un jeu de données en particulier ou un ensemble de jeux de données, et un modèle de régression. Il est généré par les outils d’entraînement du modèle de régression, par exemple l’outil Entraîner le modèle de régression Arbres aléatoires.
Les rasters en entrée doivent être dans le même format que lors de l’entraînement du modèle de régression. Par exemple, l’entrée doit contenir le même nombre d’éléments dans la liste, dans le même ordre, et chaque élément doit correspondre (y compris les variables d’un raster multidimensionnel).
Si des variables explicatives sont de type NoData à une localisation donnée, le pixel correspondant dans la sortie sera de type NoData.
La taille de cellule en sortie est déterminée par le premier raster en entrée ou les paramètres d’environnement.
Si la sortie est un raster multidimensionnel, utilisez le format CRF ou NetCDF. D’autres formats tels que TIFF peuvent stocker un jeu de données raster unique. Un raster sans dimension ne peut pas stocker les informations en sortie d’un raster multidimensionnel.
Paramètres
PredictUsingRegressionModel(in_rasters, in_regression_definition, out_raster_dataset)
Nom | Explication | Type de données |
in_rasters [in_rasters,...] | Jeux de données raster monobandes, multidimensionnels ou multibandes, ou jeux de données mosaïque contenant des variables explicatives. | Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; String |
in_regression_definition | Fichier au format JSON qui contient des informations attributaires, des statistiques ou d’autres informations issues du modèle de régression. Le fichier a l’extension .ecd. Le fichier est la sortie de l’outil Entraîner le modèle de régression Arbres aléatoires. | File |
out_raster_dataset | Raster des valeurs prédites. | Raster Dataset |
Exemple de code
Ce script de fenêtre Python prédit les valeurs des données en utilisant la sortie de la fonction PredictUsingRegressionModel.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
predicted_raster = arcpy.ia.PredictUsingRegressionModel("weather_variables.crf";"dem.tif", r"c:\data\pm_trained.ecd")
predicted_raster.save("C:/data/pm2.5_prediction.crf")
Ce script autonome Python prédit les valeurs des données en utilisant la sortie de la fonction PredictUsingRegressionModel.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
# Define input parameters
in_weather_variables = "C:/Data/ClimateVariables.crf"
in_dem_varaible = "C:/Data/dem.tif"
in_target = "C:/Data/pm2.5_observations.shp"
target_value_field = "mean_pm2.5"
Target_date_field = "date_collected"
Raster_dimension = “StdTime”
out_model_definition = "C:/Data/pm2.5_trained_model.ecd"
Out_importance_table = "C:/Data/pm2.5_importance_table.csv"
max_num_trees = 50
max_tree_depth = 30
max_num_samples = 10000
# Execute - train with random tree regression model
arcpy.ia.TrainRandomTreesRegressionModel(in_weather_variables;in_dem_varaible, in_target, out_model_definition, target_value_field, Target_date_field, Raster_dimension, max_num_trees, max_tree_depth, max_num_samples)
Environnements
Informations de licence
- Basic: Nécessite Image Analyst
- Standard: Nécessite Image Analyst
- Advanced: Nécessite Image Analyst
Rubriques connexes
Vous avez un commentaire à formuler concernant cette rubrique ?