Évaluer l’influence des variables pour les prévisions (Outils de statistiques spatiales)

Résumé

Évalue la manière dont les variables influencent les prévisions à partir d’un fichier de modèle de statistiques spatiales (.ssm). L’outil crée des graphiques de dépendance partielle qui indiquent dans quelle mesure chaque variable explicative influence les prévisions à partir du modèle en entrée.

En savoir plus sur le fonctionnement de l’outil Évaluer l’influence des variables pour les prévisions

Illustration

Utilisation

• Le fichier modèle en entrée doit être créé à l’aide de l’outil Classification et régression basées sur une forêt et à boosting de gradient.

• Vous devez indiquer des entités en entrée qui contiennent les mêmes variables explicatives que celles qui ont été utilisées pour entraîner le fichier de modèle en entrée, ainsi que les champs de variable explicative, les entités de distance et les rasters explicatifs correspondants. L’outil crée une table en sortie qui contient des diagrammes des graphiques de dépendance partielle pour chaque variable explicative lors de la prévision des entités en entrée. Ces diagrammes montrent comment chaque variable explicative a influencé en moyenne les valeurs prévues, ainsi que la forme de la relation.

• Lorsque la variable dépendante est catégorielle (modèle de classification), les graphiques de dépendance partielle montrent la probabilité moyenne de classer la première catégorie. Vous pouvez changer la catégorie affichée par le diagramme dans la fenêtre Chart Properties (Propriétés du diagramme). Sur l’onglet Data (Données), cliquez sur le bouton Select (Sélectionner) sous Numeric field(s) (Champs numériques), puis sélectionnez la catégorie à afficher. Activez une seule catégorie à la fois pour que le diagramme affiche correctement le graphique de dépendance partielle.

• Les messages de géotraitement affichent diverses informations sur le fichier de modèle en entrée, y compris les paramètres du modèle et les statistiques d’entraînement. Le contenu des messages dépend de la manière dont le modèle a été créé.

Paramètres

• Dialog
• Python

Etiqueter	Explication	Type de données
Fichier de modèle en entrée.	Fichier de modèle de statistiques spatiales utilisé pour effectuer les prévisions et générer les graphiques de dépendance partielle. Le fichier de modèle doit être créé à l’aide de l’outil Classification et régression basées sur une forêt et à boosting de gradient.	File
Type d'évaluation	Spécifie la méthode utilisée pour évaluer l’influence des variables. Seuls les graphiques de dépendance partielle sont actuellement pris en charge. Partial dependence plots (Graphiques de dépendance partielle)—Évalue l’influence des variables à l’aide de graphiques de dépendance partielle.	String
Input Features (Entités en entrée)	Entités en entrée à partir desquelles les prévisions sont évaluées. Les entités en entrée doivent contenir les champs correspondant aux entités utilisées pour créer le fichier de modèle en entrée.	Feature Layer
Entités en sortie (Facultatif)	Les entités en sortie. Ce paramètre n’est actuellement pas utilisé.	Feature Class
Table en sortie (Facultatif)	Table en sortie contenant les valeurs des graphiques de dépendance partielle. La table inclut les diagrammes qui affichent les graphiques de dépendance partielle de chaque variable explicative.	Table
Apparier les variables explicatives (Facultatif)	Liste des variables explicatives du modèle en entrée et des champs correspondants des entités en entrée. Pour chaque variable explicative de la colonne Training, fournissez le champ de prévision correspondant dans la colonne Prediction. La colonne Categorical indique si la variable est catégorielle ou continue. Colonnes de la table de valeurs : 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
Apparier les entités de distance (Facultatif)	Une liste des entités de distance explicatives du modèle en entrée et les entités de distance de prévision correspondantes. Pour chaque entité de distance explicative de la colonne Training, indiquez l’entité de distance de prévision correspondante dans la colonne Prediction. Colonnes de la table de valeurs : Prediction—The prediction distance features. Training—The explanatory distance features of the input model file.	Value Table
Apparier les rasters explicatifs (Facultatif)	Une liste des rasters explicatifs du modèle en entrée et les rasters de prévision correspondants. Pour chaque raster explicatif de la colonne Training, fournissez le raster de prévision correspondant dans la colonne Prediction. La colonne Categorical indique si le raster est catégoriel ou continu. Colonnes de la table de valeurs : 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

Environnements

Cet outil n’utilise pas d’environnement de géotraitement.

Informations de licence

• Basic: Limité
  Spatial Analyst est requis pour utiliser des rasters.
• Standard: Limité
  Spatial Analyst est requis pour utiliser des rasters.
• Advanced: Limité
  Spatial Analyst est requis pour utiliser des rasters.

Rubriques connexes

• Vue d’ensemble du jeu d’outils Modélisation de relations spatiales
• Rechercher un outil de géotraitement
• Classification et régression basées sur une forêt et à boosting de gradient