快速人工神经网络
原理描述
本工具使用python语言包scikit-learn和NumPy建立人工神经网络回归模型。
用法
点击机载林业 > 回归分析 > 快速人工神经网络。
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。
- 动量因子（默认为“0.6”）：将之前权重更新的分数动量m添加到当前权重更新中。
- 学习率（默认为“0.7”）：训练网络的全局学习率。
- 精度评价：采用K-Fold交叉评价模型，根据输入的K-Fold参数，将样板分为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(快速人工神经网络回归.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(快速人工神经网络回归.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(快速人工神经网络回归.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(快速人工神经网络回归.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。
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。