代码之家 › 专栏 › 技术社区 › Hugo

具有随机森林的图像分类(光栅堆栈)(package ranger)

raster r

Hugo · 技术社区 · 7 年前

我正在使用R包ranger拟合一个随机森林,以对光栅图像进行分类。预测函数会产生误差,下面我提供一个可重复的示例。

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)

v[cells]中出错,<-predv:矩阵上的下标数不正确

虽然我真实数据的错误是

替换长度的倍数

我唯一想到的是流浪者。预测对象包括除感兴趣的预测之外的几个元素。无论如何,如何使用ranger在光栅堆栈上进行预测?

4 回复 | 直到 6 年前

ABMoeller 3 年前

编辑,2021 07月15日

关于使用 clusterR

# First train the ranger model

ranger.model <- ranger(Species ~ .
                       , data = iris
                       , probability = TRUE  # This argument is needed for se
                       , keep.inbag = TRUE   # So is this one
                       )


# Create prediction function for clusterR

f_se <- function(model, ...) predict(model, ...)$se


# Predict se using clusterR
  
beginCluster(2)

map_se <- clusterR(r
                   , predict
                   , args = list(ranger.model
                                 , type = 'se'  # Remember to include this argument
                                 , fun = f_se
                                 )
                   )

endCluster()

通过在插入符号包的训练功能中训练模型,可以从光栅堆栈上的ranger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,这不起作用,因为训练对象的预测函数不接受 type = 'se'

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")
              )

m-dz 7 年前

在做了一点手脚之后:

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))

免责声明:我没有检查输出的正确性,因此这可能根本不会产生任何结果,但是。。。

identical(iris$Species, ranger.pred$predictions)

Antonios 7 年前

如果有帮助的话,用randomForest代替ranger对我有效

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

Dharman Aman Gojariya 4 年前

可以在此处找到另一种解决方案: https://github.com/imbs-hl/ranger/issues/319

如前所述,将光栅::predict()用于ranger随机森林模型将不起作用,因为光栅包不支持ranger。

用户mnwright提到了使其工作的解决方法。您只需在代码中添加一些内容:

ranger.pred<-predict(r,ranger.model, fun = function(model, ...) predict(model, ...)$predictions)