Predecir con modelo de regresión (Image Analyst)

Disponible con licencia de Image Analyst.

Resumen

Predice valores de datos con la salida de la herramienta Entrenar modelo de regresión de árboles aleatorios.

Uso

• Si el valor de Ráster de entrada es un ráster multibanda, cada banda representa una variable explicativa. La secuencia de las bandas del ráster multibanda debe ser coherente con las entradas utilizadas para entrenar el modelo con la herramienta Entrenar modelo de regresión de árboles aleatorios.

• Si el valor de Rásteres de entrada es un ráster multidimensional (una capa ráster multidimensional, CRF o dataset de mosaico multidimensional), todas las variables multidimensionales deben ser de una sola banda y tener un valor de dimensión StdTime o StdZ. Cada variable multidimensional se trata como variable de indicador. Se utilizarán todas las variables multidimensionales.

• El modelo de regresión se define en un archivo de definición de regresión de Esri (.ecd). Contiene toda la información de un dataset específico o un conjunto de datasets y un modelo de regresión. Se genera mediante las herramientas de entrenamiento del modelo de regresión, como la herramienta Entrenar regresión de árboles aleatorios.

• Los rásteres de entrada deben tener el mismo formato que cuando se entrenó el modelo de regresión. Por ejemplo, la entrada debe contener el mismo número de elementos de la lista, en el mismo orden, y cada elemento debe coincidir (incluidas las variables de un ráster multidimensional).

• Si alguna de las variables explicativas es NoData en una ubicación, el píxel correspondiente en la salida será NoData.

• El tamaño de celda de salida está determinado por el primer ráster de entrada o la configuración del entorno.

• Si la salida es un ráster multidimensional, utilice el formato CRF o NetCDF. Otros formatos ráster, como TIFF, pueden almacenar un único dataset ráster. Un ráster sin dimensiones no puede almacenar información de salida de ráster multidimensional.

Parámetros

Cuadro de diálogo

Etiqueta	Explicación	Tipo de datos
Rásteres de entrada	Datasets ráster de banda única, multidimensional o multibanda o datasets de mosaico que contienen variables explicativas.	Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; String
Archivo de definición de regresión de entrada	Archivo con formato JSON que contiene información de atributos, estadísticas u otra información para el modelo de regresión. El archivo tiene la extensión .ecd. El archivo es la salida de la herramienta Entrenar modelo de regresión de árboles aleatorios.	File
Ráster de predicción de salida	Ráster de los valores previstos.	Raster Dataset

Python

PredictUsingRegressionModel(in_rasters, in_regression_definition, out_raster_dataset)

Nombre	Explicación	Tipo de datos
in_rasters [in_rasters,...]	Datasets ráster de banda única, multidimensional o multibanda o datasets de mosaico que contienen variables explicativas.	Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; String
in_regression_definition	Archivo con formato JSON que contiene información de atributos, estadísticas u otra información para el modelo de regresión. El archivo tiene la extensión .ecd. El archivo es la salida de la herramienta Entrenar modelo de regresión de árboles aleatorios.	File
out_raster_dataset	Ráster de los valores previstos.	Raster Dataset

Muestra de código

Ejemplo 1 de PredictUsingRegressionModel (ventana de Python)

Este script de la ventana de Python predice los valores de datos con la salida de la función PredictUsingRegressionModel.

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

# Check out the ArcGIS Image Analyst extension license 
arcpy.CheckOutExtension("ImageAnalyst") 

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")

Ejemplo 2 de PredictUsingRegressionModel (script independiente)

Este script independiente de Python predice los valores de datos con la salida de la función PredictUsingRegressionModel.

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

# Check out the ArcGIS Image Analyst extension license 
arcpy.CheckOutExtension("ImageAnalyst") 

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

# Execute - train with random tree regression model 
arcpy.ia.TrainRandomTreesRegressionModel(in_weather_variables;in_dem_varaible, in_target, out_model_definition,  target_value_field, Target_date_field, Raster_dimension, max_num_trees, max_tree_depth, max_num_samples)

Entornos

Alineación de celda, Tamaño de celda, Compresión, Espacio de trabajo actual, Extensión, Transformaciones geográficas, Id. de GPU, NoData, Sistema de coordenadas de salida, Factor de procesamiento en paralelo, Tipo de procesador, Pirámide, Estadísticas de ráster, Método de remuestreo, Espacio de trabajo temporal, Alinear ráster, Tamaño de tesela