from museotoolbox import datasets, processing ############################################################################## # Load HistoricalMap dataset # ------------------------------------------- raster, vector = datasets.load_historical_data(low_res=True) field = 'Class' y = processing.read_vector_values(vector, field) ############################################################################## # Create CV # ------------------------------------------- SKF = RandomStratifiedKFold(n_splits=2, n_repeats=2, random_state=12, verbose=False) for tr, vl in SKF.split(X=None, y=y): print(tr, vl) ############################################################################### # .. note:: # Split is made to generate each fold # Show label for tr, vl in SKF.split(X=None, y=y): print(y[tr], y[vl]) ############################################################################## # .. note::
from museotoolbox.ai import SuperLearner from museotoolbox.cross_validation import RandomStratifiedKFold from museotoolbox.charts import PlotConfusionMatrix from museotoolbox import datasets from sklearn.ensemble import RandomForestClassifier ############################################################################## # Load HistoricalMap dataset # ------------------------------------------- X, y = datasets.load_historical_data(low_res=True, return_X_y=True) ############################################################################## # Create CV # ------------------------------------------- RSKF = RandomStratifiedKFold(n_splits=2, random_state=12, verbose=False) ############################################################################## # Initialize Random-Forest # --------------------------- classifier = RandomForestClassifier() ############################################################################## # Start learning # --------------------------- SL = SuperLearner(classifier=classifier, param_grid=dict(n_estimators=[10, 100])) SL.fit(X, y, cv=RSKF)