""" ############################################################################## # Import librairies # ------------------------------------------- from museotoolbox.learn_tools import learnAndPredict from museotoolbox.cross_validation import RandomStratifiedKFold from museotoolbox.charts import plotConfusionMatrix from museotoolbox import datasets from sklearn.ensemble import RandomForestClassifier ############################################################################## # Load HistoricalMap dataset # ------------------------------------------- raster,vector = datasets.historicalMap(low_res=True) field = 'Class' ############################################################################## # Create CV # ------------------------------------------- RSKF = RandomStratifiedKFold(n_splits=2, random_state=12,verbose=False) ############################################################################## # Initialize Random-Forest # --------------------------- classifier = RandomForestClassifier() ############################################################################## # Start learning
""" ############################################################################## # Import librairies # ------------------------------------------- from museotoolbox.raster_tools import rasterMath,rasterMaskFromVector from museotoolbox import datasets from matplotlib import pyplot as plt import numpy as np ############################################################################## # Load HistoricalMap dataset # ------------------------------------------- raster,vector = datasets.historicalMap() ############################################################################## # Initialize rasterMath with raster # ------------------------------------ # Set return_3d to True to have full block size (not one pixel per row) # Create raster mask to only keep pixel inside polygons. rasterMaskFromVector(vector,raster,'/tmp/mask.tif',invert=False) for return_3d in [True,False]: rM = rasterMath(raster,inMaskRaster='/tmp/mask.tif',return_3d=return_3d) rM.customBlockSize(128,128) # block of 200x200pixels
############################################################################## # Import librairies # ------------------------------------------- from museotoolbox.learn_tools import sequentialFeatureSelection, learnAndPredict from museotoolbox.cross_validation import LeavePSubGroupOut from museotoolbox import datasets from sklearn.ensemble import RandomForestClassifier from sklearn import metrics import numpy as np ############################################################################## # Load HistoricalMap dataset # ------------------------------------------- X, y, g = datasets.historicalMap(return_X_y_g=True, low_res=True) ############################################################################## # Create CV # ------------------------------------------- LSGO = LeavePSubGroupOut(valid_size=0.8, n_splits=2, random_state=12, verbose=False) ############################################################################## # Initialize Random-Forest and metrics # -------------------------------------- classifier = RandomForestClassifier(random_state=12, n_jobs=1)
Create a raster mask from vector. """ ############################################################################## # Import librairies # ------------------------------------------- from museotoolbox import raster_tools from museotoolbox.datasets import historicalMap ############################################################################## # Load HistoricalMap dataset # ------------------------------------------- raster, vector = historicalMap() ############################################################################## # Rasterize vector # ----------------------------------------- ############################################################################## # Default, invert is False, it means only polygons will be kept (the rest is set to nodata) raster_tools.rasterMaskFromVector(vector, raster, '/tmp/mask.tif', invert=False) ############################################################################## # If invert is set to True, it means polygons will be set to nodata raster_tools.rasterMaskFromVector(vector,
This example shows how to make a Spatial Leave-One-SubGroup-Out. """ ############################################################################## # Import librairies # ------------------------------------------- from museotoolbox.cross_validation import SpatialLeaveOneSubGroupOut from museotoolbox import datasets, raster_tools, vector_tools ############################################################################## # Load HistoricalMap dataset # ------------------------------------------- raster, vector, centroid = datasets.historicalMap(low_res=True, centroid=True) field = 'Class' ############################################################################## # Extract label ('Class' field) and groups ('uniquefid' field) # Compute distanceMatrix with centroid (one point per group) X, y, groups = raster_tools.getSamplesFromROI(raster, vector, field, 'uniquefid') distanceMatrix, distanceLabel = vector_tools.getDistanceMatrix( raster, centroid, 'uniquefid') ############################################################################## # Create CV # -------------------------------------------
This example shows how to make a Leave One Out for each class. """ ############################################################################## # Import librairies # ------------------------------------------- from museotoolbox.cross_validation import LeaveOneOut from museotoolbox import datasets ############################################################################## # Load HistoricalMap dataset # ------------------------------------------- X, y = datasets.historicalMap(return_X_y=True, low_res=True) ############################################################################## # Create CV # ------------------------------------------- LOOPC = LeaveOneOut(random_state=8, verbose=False) for tr, vl in LOOPC.split(X=None, y=y): print(tr, vl) ############################################################################### # .. note:: # Split is made to generate each fold # Show label for tr, vl in LOOPC.split(X=None, y=y):
""" ############################################################################## # Import librairies # ------------------------------------------- from museotoolbox.learn_tools import learnAndPredict from museotoolbox.cross_validation import RandomStratifiedKFold from museotoolbox import datasets from sklearn.ensemble import RandomForestClassifier ############################################################################## # Load HistoricalMap dataset # ------------------------------------------- X, y = datasets.historicalMap(return_X_y=True, low_res=True) ############################################################################## # Create CV # ------------------------------------------- SKF = RandomStratifiedKFold(n_splits=2, n_repeats=5, random_state=12, verbose=False) ############################################################################## # Initialize Random-Forest # --------------------------- classifier = RandomForestClassifier(random_state=12)