"""
##############################################################################
# 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)