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)