Оценка влияния переменной для прогнозирования (Инструменты Пространственная статистика)

Краткая информация

Оценивает влияние переменных на прогнозы из файла модели пространственной статистики (.ssm). Инструмент создает графики частичной зависимости, позволяющие увидеть, как каждая объясняющая переменная повлияла на прогнозы входной модели.

Более подробно о том, как работает функция Оценка влияния переменной для прогнозирования

Иллюстрация

Иллюстрация инструмента Оценка влияния переменной для прогнозирования

Использование

Входной файл модели должен быть создан с помощью инструмента Классификация на основе леса и регрессия, регрессия с бустингом
Необходимо предоставить входные объекты, содержащие те же независимые переменные, что использовались для обучения файла входной модели, а также соответствующие поля независимых переменных, объекты расстояния и объяснительные растры. Инструмент создает выходную таблицу с графиками графиков частичной зависимости для каждой независимой переменной при прогнозировании входных объектов. Эти диаграммы показывают, как каждая независимая переменная в среднем влияет на прогнозируемые значения, а также форму взаимосвязи.
Когда зависимая переменная категорийная (модель классификации), графики частичной зависимости показывают среднюю вероятность классификации первой категории. Вы можете изменить категорию, отображаемую на диаграмме, в панели Свойства диаграммы. Во вкладке Данные нажмите кнопку Выбрать в разделе Числовые поля и выберите категорию для отображения. Для корректного отображения графика частичной зависимости включайте только одну категорию за раз.
Сообщения геообработки отображают различную информацию о входном файле модели, включая параметры модели и статистику обучения. Содержимое сообщений зависит от того, как была создана модель.

Подпись	Объяснение	Тип данных
Входной файл модели	Файл модели пространственной статистики, который будет использоваться для прогнозирования и построения графиков частичной зависимости. Файл модели должен быть создан с помощью инструмента Классификация на основе леса и регрессия, регрессия с бустингом	File
Тип оценки	Указывает метод, который будет использоваться для оценки влияния переменных. В настоящее время поддерживаются только графики частичной зависимости. График частичной зависимости–Оценивает влияние переменных с помощью графиков частичной зависимости.	String
Входные объекты	Входные объекты, на основе которых будут строиться прогнозы. Входные объекты должны содержать поля, совпадающие с объектами, которые использовались для создания входного файла модели.	Feature Layer
Выходные объекты (Дополнительный)	Выходные объекты. Этот параметр в настоящее время не используется.	Feature Class
Выходная таблица (Дополнительный)	Выходная таблица, содержащая значения графиков частичной зависимости. В таблице представлены диаграммы, отображающие графики частичной зависимости каждой независимой переменной.	Table
Сопоставить независимые переменные (Дополнительный)	Список независимых переменных входной модели и соответствующих полей входных объектов. Для каждой независимой переменной в столбце `Training` укажите соответствующее поле прогноза в столбце `Prediction`. Столбец `Categorical` определяет, является ли переменная категориальной или непрерывной. Столбцы таблицы значений: 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
Сопоставление объектов расстояния (Дополнительный)	Список независимых объектов расстояния входной модели и соответствующих прогнозируемых объектов расстояния. Для каждого независимого объекта расстояния в столбце `Training` укажите соответствующий прогнозируемый объект расстояния в столбце `Prediction`. Столбцы таблицы значений: Prediction–The prediction distance features. Training–The explanatory distance features of the input model file.	Value Table
Сопоставление независимых растров (Дополнительный)	Список независимых растров входной модели и соответствующих растров прогнозирования. Для каждого независимого растра в столбце `Training` укажите соответствующий растр прогнозирования в столбце `Prediction`. Столбец `Categorical` определяет, является ли растр категориальным или непрерывным. Столбцы таблицы значений: 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})

Имя	Объяснение	Тип данных
input_model	Файл модели пространственной статистики, который будет использоваться для прогнозирования и построения графиков частичной зависимости. Файл модели должен быть создан с помощью инструмента Классификация на основе леса и регрессия, регрессия с бустингом	File
evaluation_type	Указывает метод, который будет использоваться для оценки влияния переменных. В настоящее время поддерживаются только графики частичной зависимости. `PDP`–Оценивает влияние переменных с помощью графиков частичной зависимости.	String
input_features	Входные объекты, на основе которых будут строиться прогнозы. Входные объекты должны содержать поля, совпадающие с объектами, которые использовались для создания входного файла модели.	Feature Layer
output_features (Дополнительный)	Выходные объекты. Этот параметр в настоящее время не используется.	Feature Class
out_table (Дополнительный)	Выходная таблица, содержащая значения графиков частичной зависимости. В таблице представлены диаграммы, отображающие графики частичной зависимости каждой независимой переменной.	Table
explanatory_variable_matching [[pred1, train1, cat1], [pred2, train2, cat2],...] (Дополнительный)	Список независимых переменных входной модели и соответствующих полей входных объектов. Для каждой независимой переменной в столбце `Training` укажите соответствующее поле прогноза в столбце `Prediction`. Столбец `Categorical` определяет, является ли переменная категориальной или непрерывной. Столбцы таблицы значений: `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],...] (Дополнительный)	Список независимых объектов расстояния входной модели и соответствующих прогнозируемых объектов расстояния. Для каждого независимого объекта расстояния в столбце `Training` укажите соответствующий прогнозируемый объект расстояния в столбце `Prediction`. Столбцы таблицы значений: `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],...] (Дополнительный)	Список независимых растров входной модели и соответствующих растров прогнозирования. Для каждого независимого растра в столбце `Training` укажите соответствующий растр прогнозирования в столбце `Prediction`. Столбец `Categorical` определяет, является ли растр категориальным или непрерывным. Столбцы таблицы значений: `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

Пример кода

EvaluateVariableInfluence пример 1 (окно Python)

Следующий скрипт окна Python демонстрирует использование функции EvaluateVariableInfluence.

# 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 пример 2 (автономный скрипт)

Следующий автономный скрипт Python демонстрирует, как использовать функцию EvaluateVariableInfluence.

# 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'"
)

Параметры среды

Этот инструмент не использует параметры среды геообработки.

Информация о лицензировании

Basic: Ограниченные
Для использования растров необходим Spatial Analyst
Standard: Ограниченные
Для использования растров необходим Spatial Analyst
Advanced: Ограниченные
Для использования растров необходим Spatial Analyst