回帰モデルを使用した予測 (Predict Using Regression Model) (Image Analyst)

Image Analyst ライセンスで利用できます。

サマリー

[ランダム ツリーによる回帰モデル定義ファイルの作成 (Train Random Trees Regression Model)] ツールから生成された出力を使用してデータ値を予測します。

使用法

  • [入力ラスター] の値がマルチバンド ラスターの場合、各バンドは 1 つの説明変数を表します。 マルチバンド ラスター内のバンドの順序は、[ランダム ツリーによる回帰モデル定義ファイルの作成 (Train Random Trees Regression Model)] ツールでのモデル定義ファイルの作成に使用した入力の順序と一致している必要があります。

  • [入力ラスター] の値が多次元ラスター (多次元ラスター レイヤー、多次元 CRF、または多次元モザイク データセット) の場合、すべての多次元変数は必ずシングル バンドでなければならず、ディメンション値として [StdTime] または [StdZ] を設定する必要があります。 各多次元変数は説明変数と見なされます。 すべての多次元変数が使用されます。

  • 回帰モデルは Esri 回帰定義ファイル (*.ecd) で定義されます。 このファイルには、特定のデータセット (または一連のデータセット) と回帰モデルに関するすべての情報が含まれています。 [ランダム ツリーによる回帰モデル定義ファイルの作成 (Train Random Trees Regression Model)] ツールなどの回帰モデル トレーニング ツールによって生成されます。

  • 入力ラスターは、回帰モデルのトレーニング時と同じフォームにする必要があります。 たとえば、入力にはリスト内に同じ数の項目を同じ順序で含む必要があり、各項目 (多次元ラスターの変数を含む) が一致する必要があります。

  • ある位置のいずれかの説明変数が NoData の場合、出力内の対応するピクセルが NoData になります。

  • 出力セル サイズは、最初の入力ラスターまたは環境設定によって決定されます。

  • 出力が多次元ラスターの場合は、CRF または NetCDF 形式を使用します。 その他のラスター形式 (TIFF など) には、単一のラスター データセットを保存できます。 ディメンションなしのラスターには多次元ラスターの出力情報は保存できません。

パラメーター

ラベル説明データ タイプ
入力ラスター

説明変数を含むシングル バンド、多次元、マルチバンド ラスター データセットまたはモザイク データセット。

Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; String
入力回帰定義ファイル

回帰モデルに関する属性情報、統計情報、その他の情報を含む JSON 形式ファイル。 ファイルには拡張子 *.ecd が付いています。 このファイルは、[ランダム ツリーによる回帰モデル定義ファイルの作成 (Train Random Trees Regression Model)] ツールから生成された出力です。

File
出力予測ラスター

予測値で構成されるラスター。

Raster Dataset

PredictUsingRegressionModel(in_rasters, in_regression_definition, out_raster_dataset)
名前説明データ タイプ
in_rasters
[in_rasters,...]

説明変数を含むシングル バンド、多次元、マルチバンド ラスター データセットまたはモザイク データセット。

Raster Dataset; Raster Layer; Mosaic Dataset; Mosaic Layer; Image Service; String
in_regression_definition

回帰モデルに関する属性情報、統計情報、その他の情報を含む JSON 形式ファイル。 ファイルには拡張子 *.ecd が付いています。 このファイルは、[ランダム ツリーによる回帰モデル定義ファイルの作成 (Train Random Trees Regression Model)] ツールから生成された出力です。

File
out_raster_dataset

予測値で構成されるラスター。

Raster Dataset

コードのサンプル

PredictUsingRegressionModel (回帰モデルを使用した予測) の例 1 (Python ウィンドウ)

次の Python ウィンドウ スクリプトでは、PredictUsingRegressionModel 関数から生成された出力を使用してデータ値を予測します。

# 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")
PredictUsingRegressionModel (回帰モデルを使用した予測) の例 2 (スタンドアロン スクリプト)

次の Python スタンドアロン スクリプトでは、PredictUsingRegressionModel 関数から生成された出力を使用してデータ値を予測します。

# 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)

関連トピック