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

Disponible avec une licence Image Analyst.

Synthèse

Prédit les valeurs des données en utilisant la sortie de l’outil Entraîner le modèle de régression Arbres aléatoires.

Utilisation

• Si la valeur 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 Entraîner le modèle de régression Arbres aléatoires.

• Si la valeur 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 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.

Paramètres

Boîte de dialogue

Étiquette	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 Entraîner le modèle de régression Arbres aléatoires.	File
Raster prédit en sortie	Raster des valeurs prédites.	Raster Dataset

Python

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 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 prédit les valeurs des données en utilisant la sortie de la fonction 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")

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

Ce script autonome Python prédit les valeurs des données en utilisant la sortie de la fonction 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)

Environnements

Alignement des cellules, Taille de cellule, Compression, Espace de travail courant, Étendue, Transformations géographiques, ID du processeur graphique, NoData, Système de coordonnées en sortie, Facteur de traitement parallèle, Type de processeur, Pyramide, Statistiques raster, Méthode de rééchantillonnage, Espace de travail temporaire, Raster de capture, Taille de tuile