首页 文章

带随机森林的图像分类（光栅堆栈）（包护林员）

提问于
浏览 次
6

我正在使用R包护林员对随机森林进行拟合以对光栅图像进行分类 . 预测函数产生错误，此后我提供了一个可重现的例子 .

library(raster)
library(nnet)
library(ranger)
data(iris)

# put iris data into raster
r<-list()
for(i in 1:4){
  r[[i]]<-raster(nrows=10, ncols=15)
  r[[i]][]<-iris[,i]
}
r<-stack(r)
names(r)<-names(iris)[1:4]

# multinom (an example that works)
nn.model <- multinom(Species ~ ., data=iris, trace=F)
nn.pred<-predict(r,nn.model)

# ranger (doesn't work)
ranger.model<-ranger(Species ~ ., data=iris)   
ranger.pred<-predict(r,ranger.model)

给出的错误是

v [cells，]中的错误< - predv：矩阵上的下标数不正确

虽然我的真实数据的错误是

p [-naind，]中的错误< - predv：要替换的项目数不是替换长度的倍数

我唯一想到的是，ranger.prediction对象包含了除感兴趣的预测之外的几个元素 . 无论如何，如何使用游侠在光栅堆栈上进行预测？

r raster ranger

3 回答

  • 2

    您可以通过在插入符号包的train函数内训练模型，从栅格堆栈上的游侠模型运行预测：

    library(caret)
ranger.model<-train(Species ~ ., data=iris,method = "ranger")  
ranger.pred<-predict(r,ranger.model)

    但是，如果要预测标准误差，则此方法不起作用，因为列车对象的预测函数不接受 type = 'se' . 我通过使用本文档为此目的构建函数来解决这个问题：

    https://cran.r-project.org/web/packages/raster/vignettes/functions.pdf

    # Function to predict standard errors on a raster
predfun <- function(x, model, type, filename)
{
  out <- raster(x)
  bs <- blockSize(out)
  out <- writeStart(out, filename, overwrite=TRUE)
  for (i in 1:bs$n) {
    v <- getValues(x, row=bs$row[i], nrows=bs$nrows[i])
    nas<-apply(v,1,function(x) sum(is.na(x)))
    p<-numeric(length = nrow(v))
    p[nas > 0]<-NA
    p[nas == 0]<-predict(object = model,
                         v[nas == 0,],
                     type = 'se')$se
    out <- writeValues(out, p, bs$row[i])
  }
  out <- writeStop(out)
  return(out)
}

# New ranger model 
ranger.model<-ranger(Species ~ .
                     , data=iris
                     , probability=TRUE
                     , keep.inbag=TRUE
                     )
# Run predictions
se<-predfun(r
            , model = ranger.model
            , type = "se"
            , filename = paste0(getwd(),"/se.tif")
            )
    回复于
  • 3

    经过一番摆弄：

    pacman::p_load(raster, nnet, ranger)

data(iris)

# put iris data into raster
r<-list()
for(i in 1:4){
  r[[i]]<-raster(nrows=10, ncols=15)
  r[[i]][]<-iris[,i]
}
r<-stack(r)
names(r)<-names(iris)[1:4]

# multinom (an example that works)
nn.model <- multinom(Species ~ ., data=iris, trace=F)
nn.pred <- predict(r,nn.model)  # predict(object, newdata, type = c("raw","class"), ...)

# ranger (doesn't work)
ranger.model <- ranger(Species ~ ., data=iris)   
ranger.pred <- predict(ranger.model, as.data.frame(as.matrix(r)))

    as.data.frame(as.matrix(r)) 做到了！

    免责声明：我没有检查输出的正确性，所以这可能根本没有结果，但......

    identical(iris$Species, ranger.pred$predictions)
    回复于
  • 1

    如果有帮助，它可以使用randomForest而不是游侠

    library(randomForest)
rf.model<-randomForest(Species ~ ., data=iris)   
rf.pred<-predict(r,rf.model)
    回复于

相关问题