Inspecter les échantillons d'apprentissage—Aide

Disponible avec une licence Spatial Analyst.

Résumé
Utilisation
Syntaxe
Exemple de code
Environnements
Informations de licence

Résumé

Estime la précision des échantillons d'apprentissage individuels. La précision de la validation croisée est calculée à l'aide du résultat d'apprentissage de la classification précédemment généré dans un fichier .ecd et des échantillons d'apprentissage. Les sorties sont notamment un jeu de données raster contenant les valeurs des classes incorrectement classées et un jeu de données d'échantillons d'apprentissage avec le score de précision pour chaque échantillon d'apprentissage.

Utilisation

L'outil utilise le raster en entrée, un raster en entrée supplémentaire et le fichier de définition de classificateur .ecd pour produire une couche de classification à la volée. Cette couche de classification est ensuite utilisée comme référence et comparée à tous les polygones ou points des échantillons d'apprentissage. Comme un échantillon d'apprentissage idéal ne doit contenir que des pixels de la classe qu'il représente, la précision est calculée en comparant tous les pixels classés correctement avec tous les pixels classés incorrectement pour chaque échantillon d'apprentissage. Le score de précision (par polygone/point) est calculé en tant que number of correctly classified pixels / number of total pixels contenu dans chaque échantillon d'apprentissage.
Le score peut être une valeur décimale comprise entre 0 et 1 pour les échantillons d'apprentissage de type polygone. Le score est égal à 0 ou 1 pour les échantillons d'apprentissage de type point.
Les résultats peuvent être utilisés des manières suivantes pour optimiser les échantillons d'apprentissage qui définissent les classes :
- Utilisez la table attributaire de l'échantillon d'apprentissage en sortie pour trier les entités d'apprentissage par précision, puis zoomez sur chaque entité.
- Utilisez l'appariement de classes raster classées incorrectement pour voir le lieu de la confusion de classification et sa cause.
- A l'aide de cette information, vous pouvez choisir de conserver, supprimer ou mettre à jour les entités d'apprentissage.

Syntaxe

InspectTrainingSamples (in_raster, in_training_features, in_classifier_definition, out_training_feature_class, out_misclassified_raster, {in_additional_raster})

Paramètre	Explication	Type de données
in_raster	Le raster en entrée à classer.	Mosaic Layer; Raster Layer; Image Service; String
in_training_features	La classe d'entités d'un échantillon d'apprentissage créée dans la fenêtre Gestionnaire d'échantillons d'apprentissage.	Feature Layer; Feature Class; Raster Catalog Layer
in_classifier_definition	Le fichier de classificateur en sortie .ecd généré à partir d'un des outils Préparer le classificateur. Le fichier .ecd qui contient des informations sur des attributs, des statistiques ou d'autres informations nécessaires pour le classificateur.	File
out_training_feature_class	Echantillons d'apprentissage en sortie individuels enregistrés en tant que classe d'entités. La table attributaire associée contient un champ supplémentaire qui indique le score de précision.	Feature Class
out_misclassified_raster	Raster incorrectement classé en sortie qui possède des données NoData hors des échantillons d'apprentissage. Dans les échantillons d'apprentissage, les pixels correctement classés sont représentés en tant que NoData et les pixels incorrectement classés sont représentés par leur valeur de classe. Les résultats sont un appariement d'index de valeurs de classes incorrectement classées.	Raster Dataset
in_additional_raster (Facultatif)	Ce paramètre permet notamment d'incorporer des jeux de données raster auxiliaires, à savoir une image multispectrale ou un MNT, par exemple, pour générer des attributs et d'autres informations requises par le classificateur. Ce raster est requis dans le calcul d'attributs, tels que la moyenne ou l'écart type.	Mosaic Layer; Raster Layer; Image Service; String

Exemple de code

Exemple 1 d'utilisation de l'outil InspectTrainingSamples (fenêtre Python)

Cet exemple inspecte l'adéquation des échantillons d'apprentissage pour la classification.

### InspectTrainingSamples example 1 (Python window)
import arcpy
from arcpy.sa import *

in_img = "C:/Data/wv2.tif"
trn_samples1 = "C:/out/ts.shp"
ecd = "C:/Data/svm.ecd"
seg_in_img = "C:/Data/seg.tif"
trn_samples2 = "C:/out/ts2.shp"

out_misclassified_raster = InspectTrainingSamples(in_img, trn_samples, ecd,
                                                  trn_samples2, seg_in_img); 
out_misclassified_raster.save("C:/temp/misclassified.tif")

Exemple 2 d'utilisation de l'outil InspectTrainingSamples (script autonome)

Cet exemple inspecte l'adéquation des échantillons d'apprentissage pour la classification.

### InspectTrainingSamples example 2 (stand-alone script)
import arcpy
from arcpy.sa import *

out_misclassified_raster = InspectTrainingSamples("C:/Data/wv2.tif", 
                                                  "C:/out/ts.shp", 
                                                  "C:/Data/svm.ecd", 
                                                  "C:/out/ts2.shp", 
                                                  "C:/Data/seg.tif"); 
out_misclassified_raster.save("C:/temp/misclassified.tif")

Environnements

Informations de licence

ArcGIS Desktop Basic: Requiert Spatial Analyst
ArcGIS Desktop Standard: Requiert Spatial Analyst
ArcGIS Desktop Advanced: Requiert Spatial Analyst

ArcMap

Inspecter les échantillons d'apprentissage