| Etiqueta | Explicación | Tipo de datos |
Definición de modelo | El archivo .dlpk o el archivo .emd. | File |
Tipo de predicción | Especifica el tipo de archivo de salida que se creará.
| String |
Entidades de predicción de entrada | Las entidades para las que se obtendrá la predicción. La entrada debe contener una parte o la totalidad de los campos necesarios para determinar el valor de la variable dependiente. Este parámetro es obligatorio si el parámetro Tipo de predicción se ha definido como Predecir entidad. | Feature Layer; Table View; Feature Class |
Rásteres explicativos (Opcional) | Una lista de rásteres que contienen los rásteres explicativos necesarios para determinar el valor de la variable dependiente. Este parámetro es obligatorio si el parámetro Tipo de predicción se ha definido como Predecir ráster. | Raster Layer |
Entidades de distancia (Opcional) | Las entidades de puntos o polígonos cuyas distancias en las entidades de entrenamiento de entrada se calcularán automáticamente y se agregarán como variables explicativas. Las distancias se calculan desde cada una de las entidades de distancia de entrenamiento explicativas de entrada hasta las entidades de entrenamiento de entrada más cercanas. Si las entidades de distancia de entrenamiento explicativas de entrada son polígonos, los atributos de distancia se calcularán como la distancia entre los segmentos más cercanos del par de entidades. | Feature Layer |
Entidades de predicción de salida | La tabla o clase de entidad de salida. | Feature Class; Table |
Superficie de predicción de salida | La ruta en la que se guardará el ráster de predicción de salida. | Folder |
Variables explicativas coincidentes (Opcional) | La asignación de los nombres de campo del conjunto de predicciones al conjunto de entrenamiento. Utilice este parámetro si los nombres de campo de los conjuntos de entrenamiento y predicción son diferentes. Los valores son los nombres de campo del dataset de predicción que coinciden con los nombres de campo de la clase de entidad de entrada. | Value Table |
Variables de distancia coincidentes (Opcional) | La asignación de los nombres de entidad de distancia del conjunto de predicciones al conjunto de entrenamiento. Utilice este parámetro los nombres de entidad de distancia utilizados en los conjuntos de entrenamiento y predicción son diferentes. Los valores de cadena de caracteres son los nombres de las entidades que se utilizaron para la predicción que coinciden con los nombres de las entidades de distancia utilizadas para el entrenamiento. | Value Table |
Rásteres explicativos coincidentes (Opcional) | La asignación de nombres desde los rásteres de predicción a los rásteres de entrenamiento. Utilice este parámetro si los nombres de los rásteres explicativos usados para la predicción y los nombres de los rásteres correspondientes usados durante el entrenamiento son diferentes. Los valores de cadena de caracteres son los nombres de ráster explicativos que se utilizaron para la predicción que coinciden con los nombres de ráster explicativos utilizados para el entrenamiento. | Value Table |
Obtener explicación para cada predicción (Opcional) | Especifica si se agregarán campos que representan la importancia de la entidad.
| Boolean |
Resumen
Predice variables continuas (regresión) o variables de categorías (clasificación) en datasets compatibles ocultos mediante el uso de un modelo entrenado .dlpk producido por la herramienta Entrenar con AutoML.
Uso
Debe instalar el marco de aprendizaje profundo adecuado para Python en ArcGIS AllSource.
Más información sobre cómo instalar un marco de aprendizaje profundo para ArcGIS
La entrada es un archivo de definición de modelo de Esri (.emd) o un archivo de paquete de aprendizaje profundo (.dlpk), que se puede crear con la herramienta Entrenar con AutoML.
Para usar rásteres como variables explicativas o para predecir una Superficie de predicción de salida se requiere una licencia de Spatial Analyst.
Para obtener información sobre los requisitos para ejecutar esta herramienta y los problemas que pueden presentarse, consulte Preguntas frecuentes sobre el aprendizaje profundo.
Parámetros
arcpy.geoai.PredictUsingAutoML(in_model_definition, prediction_type, in_features, {explanatory_rasters}, {distance_features}, out_prediction_features, out_prediction_surface, {match_explanatory_variables}, {match_distance_variables}, {match_explanatory_rasters}, {get_prediction_explanations})| Nombre | Explicación | Tipo de datos |
in_model_definition | El archivo .dlpk o el archivo .emd. | File |
prediction_type | Especifica el tipo de archivo de salida que se creará.
| String |
in_features | Las entidades para las que se obtendrá la predicción. La entrada debe contener una parte o la totalidad de los campos necesarios para determinar el valor de la variable dependiente. Este parámetro es obligatorio si el parámetro prediction_type se define como PREDICT_FEATURE. | Feature Layer; Table View; Feature Class |
explanatory_rasters [explanatory_rasters,...] (Opcional) | Una lista de rásteres que contienen los rásteres explicativos necesarios para determinar el valor de la variable dependiente. Este parámetro es obligatorio si el parámetro prediction_type se define como PREDICT_RASTER. | Raster Layer |
distance_features [distance_features,...] (Opcional) | Las entidades de puntos o polígonos cuyas distancias en las entidades de entrenamiento de entrada se calcularán automáticamente y se agregarán como variables explicativas. Las distancias se calculan desde cada una de las entidades de distancia de entrenamiento explicativas de entrada hasta las entidades de entrenamiento de entrada más cercanas. Si las entidades de distancia de entrenamiento explicativas de entrada son polígonos, los atributos de distancia se calcularán como la distancia entre los segmentos más cercanos del par de entidades. | Feature Layer |
out_prediction_features | La tabla o clase de entidad de salida. | Feature Class; Table |
out_prediction_surface | La ruta en la que se guardará el ráster de predicción de salida. | Folder |
match_explanatory_variables [match_explanatory_variables,...] (Opcional) | La asignación de los nombres de campo del conjunto de predicciones al conjunto de entrenamiento. Utilice este parámetro si los nombres de campo de los conjuntos de entrenamiento y predicción son diferentes. Los valores son los nombres de campo del dataset de predicción que coinciden con los nombres de campo de la clase de entidad de entrada. | Value Table |
match_distance_variables [match_distance_variables,...] (Opcional) | La asignación de los nombres de entidad de distancia del conjunto de predicciones al conjunto de entrenamiento. Utilice este parámetro los nombres de entidad de distancia utilizados en los conjuntos de entrenamiento y predicción son diferentes. Los valores de cadena de caracteres son los nombres de las entidades que se utilizaron para la predicción que coinciden con los nombres de las entidades de distancia utilizadas para el entrenamiento. | Value Table |
match_explanatory_rasters [match_explanatory_rasters,...] (Opcional) | La asignación de nombres desde los rásteres de predicción a los rásteres de entrenamiento. Utilice este parámetro si los nombres de los rásteres explicativos usados para la predicción y los nombres de los rásteres correspondientes usados durante el entrenamiento son diferentes. Los valores de cadena de caracteres son los nombres de ráster explicativos que se utilizaron para la predicción que coinciden con los nombres de ráster explicativos utilizados para el entrenamiento. | Value Table |
get_prediction_explanations (Opcional) | Especifica si se agregarán campos que representan la importancia de la entidad.
| Boolean |
Muestra de código
El siguiente script muestra cómo utilizar la función PredictUsingAutoML.
# Description: Predicts on feature or tabular data with the trained model
# obtained by the TrainUsingAutoML function.
# Import system modules
import arcpy
import os
# Set local variables
datapath = "path_to_data_for_prediction"
out_path = "path_to_gdb_for_predicted"
model_path = os.path.join(out_path, "model.dlpk")
in_features = os.path.join(datapath, "test_data.gdb", "test_data")
out_features = os.path.join(out_path, "predicted_feature.gdb", "predicted")
# Run Predict Using AutoML Model
r = arcpy.geoai.PredictUsingAutoML(model_path, "PREDICT_FEATURES",
in_features,
None, None, out_features, None, None, None, True)