Variableneinfluss für Vorhersagen bewerten (Spatial Statistics Tools)

Zusammenfassung

Bewertet, wie Variablen Vorhersagen aus einer Modelldatei für räumliche Statistiken (.ssm) beeinflussen. Das Werkzeug erstellt partielle Abhängigkeitsplots, anhand derer Sie erkennen können, wie die einzelnen erklärenden Variablen Vorhersagen aus dem Eingabemodell beeinflusst haben.

Weitere Informationen über die Funktionsweise von "Variableneinfluss für Vorhersagen bewerten"

Abbildung

Abbildung des Werkzeugs "Variableneinfluss für Vorhersagen bewerten"

Verwendung

Die Eingabe-Modelldatei muss mit dem Werkzeug Forest-basierte und geboostete Klassifizierung und Regression erstellt werden.
Sie müssen Eingabe-Features bereitstellen, die die erklärenden Variablen, die zum Trainieren der Eingabe-Modelldatei verwendet wurden, sowie überstimmende Felder erklärender Variablen, Entfernungs-Features und erklärende Raster enthalten. Bei Vorhersagen für die Eingabe-Features erstellt das Werkzeug eine Ausgabetabelle mit Diagrammen der partiellen Abhängigkeitsplots für jede erklärende Variable. Diese Diagramme zeigen neben der Form der Beziehung, wie jede erklärende Variable im Durchschnitt die vorhergesagten Werte beeinflusst hat.
Wenn die abhängige Variable kategorial ist (ein Klassifizierungsmodell), dann zeigen die partiellen Abhängigkeitsplots die durchschnittliche Wahrscheinlichkeit der Klassifizierung der ersten Kategorie. Die Kategorie, die im Diagramm im Bereich Diagrammeigenschaften angezeigt wird, können Sie ändern. Klicken Sie auf der Registerkarte Daten auf die Schaltfläche Auswählen unter Numerische Felder, und wählen Sie die Kategorie aus, die angezeigt werden sollen. Aktivieren Sie immer nur eine Kategorie, damit der partielle Abhängigkeitsplot im Diagramm korrekt dargestellt wird.
Die Geoverarbeitungsmeldungen enthalten verschiedene Informationen zur Eingabe-Modelldatei, zum Beispiel Modellparameter und Trainingsstatistiken. Der Inhalt der Meldungen hängt davon ab, wie das Modell erstellt wurde.

Beschriftung	Erläuterung	Datentyp
Eingabe-Modelldatei	Die Modelldatei für räumliche Statistiken, die für neue Vorhersagen und zum Erstellen partieller Abhängigkeitsplots verwendet werden soll. Die Modelldatei muss mit dem Werkzeug Forest-basierte und geboostete Klassifizierung und Regression erstellt werden.	File
Typ der Bewertungsmethode	Gibt die Methode an, die für die Bewertung des Variableneinflusses verwendet wird. Derzeit werden nur partielle Abhängigkeitsplots unterstützt. Partielle Abhängigkeitsplots—Wertet den Variableneinfluss mithilfe partieller Abhängigkeitsplots aus.	String
Eingabe-Features	Die Eingabe-Features, aus denen Vorhersagen bewertet werden. Die Eingabe-Features müssen Felder enthalten, die den Features entsprechen, mit denen die Eingabe-Modelldatei erstellt wurde.	Feature Layer
Ausgabe-Features (Optional)	Die Ausgabe-Features. Dieser Parameter wird derzeit nicht verwendet.	Feature Class
Ausgabetabelle (Optional)	Die Ausgabetabelle, die die Werte des partiellen Abhängigkeitsplots enthält. Die Tabelle enthält Diagramme, die die partiellen Abhängigkeitsplots jeder erklärenden Variable anzeigt.	Table
Erklärende Variablen abgleichen (Optional)	Eine Liste der erklärenden Variablen des Eingabemodells und der entsprechenden Felder der Eingabe-Features. Geben Sie für jede erklärende Variable in der Spalte `Training` das entsprechende Vorhersagefeld in der Spalte `Prediction` an. In der Spalte `Categorical` wird angegeben, ob die Variable kategorial oder kontinuierlich ist. Spalten der Wertetabelle: Prediction—The prediction field of the input features. Training—The explanatory variable of the input model file. Categorical—Specifies whether the variable is categorical or continuous. Categorical—The explanatory variable is categorical. Numeric—The explanatory variable is continuous.	Value Table
Entfernungs-Features abgleichen (Optional)	Eine Liste der erklärenden Entfernungs-Features des Eingabemodells und der entsprechenden Entfernungs-Features der Vorhersage. Geben Sie für jedes erklärende Entfernungs-Feature in der Spalte `Training` das entsprechende Entfernungs-Feature der Vorhersage in der Spalte `Prediction` an. Spalten der Wertetabelle: Prediction—The prediction distance features. Training—The explanatory distance features of the input model file.	Value Table
Erklärende Raster abgleichen (Optional)	Eine Liste der erklärenden Raster des Eingabemodells und der entsprechenden Vorhersage-Raster. Geben Sie für jedes erklärende Raster in der Spalte `Training` das entsprechende Vorhersage-Raster in der Spalte `Prediction` an. In der Spalte `Categorical` wird angegeben, ob das Raster kategorial oder kontinuierlich ist. Spalten der Wertetabelle: Prediction—The prediction raster. Training—The explanatory raster of the input model file. Categorical—Specifies whether the raster is categorical or continuous. Categorical—The explanatory raster is categorical. Numeric—The explanatory raster is continuous.	Value Table

arcpy.stats.EvaluateVariableInfluence(input_model, evaluation_type, input_features, {output_features}, {out_table}, {explanatory_variable_matching}, {explanatory_distance_matching}, {explanatory_rasters_matching})

Name	Erläuterung	Datentyp
input_model	Die Modelldatei für räumliche Statistiken, die für neue Vorhersagen und zum Erstellen partieller Abhängigkeitsplots verwendet werden soll. Die Modelldatei muss mit dem Werkzeug Forest-basierte und geboostete Klassifizierung und Regression erstellt werden.	File
evaluation_type	Gibt die Methode an, die für die Bewertung des Variableneinflusses verwendet wird. Derzeit werden nur partielle Abhängigkeitsplots unterstützt. `PDP`—Wertet den Variableneinfluss mithilfe partieller Abhängigkeitsplots aus.	String
input_features	Die Eingabe-Features, aus denen Vorhersagen bewertet werden. Die Eingabe-Features müssen Felder enthalten, die den Features entsprechen, mit denen die Eingabe-Modelldatei erstellt wurde.	Feature Layer
output_features (Optional)	Die Ausgabe-Features. Dieser Parameter wird derzeit nicht verwendet.	Feature Class
out_table (Optional)	Die Ausgabetabelle, die die Werte des partiellen Abhängigkeitsplots enthält. Die Tabelle enthält Diagramme, die die partiellen Abhängigkeitsplots jeder erklärenden Variable anzeigt.	Table
explanatory_variable_matching [[pred1, train1, cat1], [pred2, train2, cat2],...] (Optional)	Eine Liste der erklärenden Variablen des Eingabemodells und der entsprechenden Felder der Eingabe-Features. Geben Sie für jede erklärende Variable in der Spalte `Training` das entsprechende Vorhersagefeld in der Spalte `Prediction` an. In der Spalte `Categorical` wird angegeben, ob die Variable kategorial oder kontinuierlich ist. Spalten der Wertetabelle: `Prediction`—The prediction field of the input features. `Training`—The explanatory variable of the input model file. `Categorical`—Specifies whether the variable is categorical or continuous. `CATEGORICAL`—The explanatory variable is categorical. `NUMERIC`—The explanatory variable is continuous.	Value Table
explanatory_distance_matching [[pred1, cat1], [pred2, cat2],...] (Optional)	Eine Liste der erklärenden Entfernungs-Features des Eingabemodells und der entsprechenden Entfernungs-Features der Vorhersage. Geben Sie für jedes erklärende Entfernungs-Feature in der Spalte `Training` das entsprechende Entfernungs-Feature der Vorhersage in der Spalte `Prediction` an. Spalten der Wertetabelle: `Prediction`—The prediction distance features. `Training`—The explanatory distance features of the input model file.	Value Table
explanatory_rasters_matching [[pred1, train1, cat1], [pred2, train2, cat2],...] (Optional)	Eine Liste der erklärenden Raster des Eingabemodells und der entsprechenden Vorhersage-Raster. Geben Sie für jedes erklärende Raster in der Spalte `Training` das entsprechende Vorhersage-Raster in der Spalte `Prediction` an. In der Spalte `Categorical` wird angegeben, ob das Raster kategorial oder kontinuierlich ist. Spalten der Wertetabelle: `Prediction`—The prediction raster. `Training`—The explanatory raster of the input model file. `Categorical`—Specifies whether the raster is categorical or continuous. `CATEGORICAL`—The explanatory raster is categorical. `NUMERIC`—The explanatory raster is continuous.	Value Table

Codebeispiel

EvaluateVariableInfluence Beispiel 1 (Python-Fenster)

Das folgende Skript im Python-Fenster veranschaulicht, wie Sie die Funktion EvaluateVariableInfluence verwenden.

# Create partial dependence plots
arcpy.stats.EvaluateVariableInfluence(
    input_model=r"C:\Data\My_Forest_Model.ssm",
    evaluation_type="PDP",
    input_features="MyLayer",
    out_table="PDP_Chart_Table",
    explanatory_variable_matching="CatVariable MATCHVAR1 true;ContVariable MATCHVAR2"
)

EvaluateVariableInfluence Beispiel 2 (eigenständiges Skript)

Im folgenden eigenständigen Python-Skript wird veranschaulicht, wie Sie die Funktion EvaluateVariableInfluence verwenden.

# Create partial dependence plots.  

import arcpy 

# Set the current workspace.
arcpy.env.workspace = r"c:\mydata\mydata.gdb" 

# Run tool.
arcpy.stats.EvaluateVariableInfluence(
    input_model=r"C:\mydata\My_XGBoost_Model.ssm",
    evalutation_type="PDP",
    input_features="Minnesota",
    output_features=None,
    out_table=r"PDP_Chart_Table",
    explanatory_variable_matching="v1_value V1_VALUE false",
    explanatory_distance_matching="citycenter CITYCENTER",
    explanatory_rasters_matching="'LandCover.tif' 'LandCover.tif'"
)

Umgebungen

Dieses Werkzeug verwendet keine Geoverarbeitungsumgebungen.

Lizenzierungsinformationen

Basic: Eingeschränkt
Spatial Analyst ist erforderlich, um Raster zu verwenden.
Standard: Eingeschränkt
Spatial Analyst ist erforderlich, um Raster zu verwenden.
Advanced: Eingeschränkt
Spatial Analyst ist erforderlich, um Raster zu verwenden.