Prévoir à l’aide d’un modèle de régression (Outils Image Analyst)

Résumé

Prévoit les valeurs des données en utilisant la sortie de l’outil Train Random Trees Regression Model (Entraîner le modèle de régression Arbres aléatoires).

Utilisation

Si la valeur Input Raster (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 Train Random Trees Regression Model (Entraîner le modèle de régression Arbres aléatoires).
Si la valeur Input Rasters (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 Train Random Trees Regression (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.

Etiqueter	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 Train Random Trees Regression Model (Entraîner le modèle de régression Arbres aléatoires).	File
Raster prédit en sortie	Raster des valeurs prédites.	Raster Dataset

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 Train Random Trees Regression Model (Entraîner le modèle de régression Arbres aléatoires).	File
out_raster_dataset	Raster des valeurs prédites.	Raster Dataset

Exemple de code

Exemple 1 d’utilisation de la fonction PredictUsingRegressionModel (fenêtre Python)

Ce script de fenêtre Python prévoit les valeurs des données en utilisant la sortie de la fonction PredictUsingRegressionModel.

# Import system modules
import arcpy
from arcpy.ia import *

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")

Exemple 2 d’utilisation de la fonction PredictUsingRegressionModel (script autonome)

Ce script autonome Python prévoit les valeurs des données en utilisant la sortie de la fonction PredictUsingRegressionModel.

# Import system modules
import arcpy
from arcpy.ia import *

# Define input parameters
in_weather_variables = "C:/Data/ClimateVariables.crf"
in_dem_variable = "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

# Run - train with random tree regression model
arcpy.ia.TrainRandomTreesRegressionModel(in_weather_variables, in_dem_variable, in_target, out_model_definition, target_value_field, target_date_field, raster_dimension, max_num_trees, max_tree_depth, max_num_samples)

Environnements

Cell Alignment (Alignement des cellules), Taille de cellule, Compression, Espace de travail courant, Etendue, Transformations géographiques, ID GPU, NoData, Système de coordonnées en sortie, Facteur de traitement parallèle, Type de processeur, Pyramide, Statistiques raster, Méthode de ré-échantillonnage, Espace de travail temporaire, Raster de capture, Taille de tuile

Informations de licence