线性回归

原理描述

本工具使用python语言包scikit-learnNumPy建立线性回归模型。

线性回归模型

用法

点击机载林业 > 回归分析 > 线性回归

线性回归主界面

参数设置

  • 导入训练数据:参考样本数据和自变量
  • 自变量:参考样本数据和自变量
  • 样地类型:正方形:选择样本临近的矩形区域内的点;圆形选择样本临近的圆形区域内的点。
  • 长度:样地类型查询的半径。
  • 采用位置不确定性优化:勾选优化后,位置不确定性变为可设置状态,该位置不确定性中的数值表示范围查询的精度值,模型内部根据该范围查询所有满足条件的样本点(样本点数如果超过50,会选择前50个点作为样本),然后根据这些样本点选择模型最优的点作为分析数据;不勾选优化,位置不确定性变为不可设置状态,模型内部会根据样本点选择最近点作为分析数据。
  • 线性回归方法:该参数定义了线性回归的方法。
    • 进入(默认):所有的自变量一次性全部“进入”公式中。
    • 逐步:根据计算的p值,每一个操作都只加入或者删除一个独立变量。
  • 精度评价:采用K-Fold交叉评价模型,根据输入的K-Fold参数,将样本分为K类,依次取其中一份作为测试数据,其它作为训练数据进行模型训练,用测试数据进行测试,选择出误差最小的模型作为最佳模型进行使用,注意:K-Fold值必须大于等于2。
  • 保存回归模型:选择框被勾选,程序成功运行后将会在输出路径输出(线性回归.model)model模型。
  • 保存回归数据集:选择框被勾选,程序成功运行后将会在输出路径输出(线性回归.csv)训练数据模型csv格式文件。
  • 输出路径:选择输出的文件目录地址,在程序成功运行后,会生成相应的模型报告(线性回归.html)文件,其中记录了模型的误差和相关值;生成相应的结果文件(线性回归.tif),该文件是根据模型计算出导入的tif或者csv文件的自变量值,预测出相应的因变量生成的结果;并根据勾选情况,选择生成回归模型和数据集。
线性回归精度报告

注意:导入的样本数据必须包含在导入的自变量数据范围中,自变量可以根据实际情况进行添加或者删除,最终结果文件是根据传入的自变量信息生成的。

results matching ""

    No results matching ""