لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش نقشههای پیشبینی و اعتبارسنجی با استفاده از رگرسیون لجستیک و ROC
Prediction Maps & Validation using Logistic Regression & ROC
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
روش جامع (گام به گام) از پیش بینی تا اعتبارسنجی ROC نقشه ها با استفاده از رگرسیون لجستیک در GIS و R درک جامع علوم نقشه برداری پیش بینی و ابزار در اعتبار سنجی GIS با استفاده از AUC از ROC نتایج استفاده از رگرسیون لجستیک چند متغیره برای نقشه پیش بینی R- کد اسکریپت پشتیبانی مستمر من را فراهم می کند، دست شما را قدم به قدم برای توسعه نقشه های پیش بینی با کیفیت بالا با استفاده از داده های واقعی پیش می برد.
در این دوره، فرآیند کامل (A تا Z) را بر اساس مقالات منتشر شده خود در مورد نحوه ارزیابی و مقایسه نتایج به کارگیری روش رگرسیون لجستیک چند متغیره در نقشهبرداری پیشبینی خطر با استفاده از محیط GIS و R به اشتراک گذاشتهام. br>
از دهه گذشته، سیستم اطلاعات جغرافیایی (GIS) توسعه روشهای جدید یادگیری ماشین، مبتنی بر داده و روشهای تجربی را تسهیل کرده است که خطاهای تعمیم را کاهش میدهد. علاوه بر این، ابعاد جدیدی برای حوزه تحقیقاتی یکپارچه میدهد.
متمرکز بمانید: رگرسیون لجستیک (طبقه بندی باینری، اینکه آیا عامل وابسته (Y) در یک مکان خاص رخ می دهد یا خیر) برای برازش منحنی رگرسیون استفاده می شود، و این یک مورد خاص از رگرسیون خطی است زمانی که متغیر خروجی مقوله ای باشد. ، جایی که ما از یک گزارش شانس به عنوان متغیر وابسته استفاده می کنیم.
چرا رگرسیون لجستیک خاص است؟ ترکیبی خطی از ویژگی ها را می گیرد و یک تابع غیرخطی (سیگموئید) را به آن اعمال می کند، بنابراین یک نمونه کوچک از شبکه عصبی است!
در دوره فعلی، من از داده های تجربی استفاده کردم که شامل : عامل مستقل Y (مکان داده های آموزش زمین لغزش) 75 مشاهده. عوامل وابسته X (ارتفاع، شیب، NDVI، انحنا، و پوشش زمین)
همبستگی فضایی بین عوامل پیش بینی و عامل وابسته همچنین نحوه یافتن همبستگی خودکار بین عوامل پیش بینی، با در نظر گرفتن اهمیت یا سهم پیش بینی آنها. در نهایت، من نقشه حساسیت را با استفاده از; R Studio و فقط ESRI ArcGIS. اعتبار پیشبینی مدل با رایجترین روش آماری مساحت زیر (AUC) منحنی ROC اندازهگیری میشود.
در پایان این دوره، شما قادر خواهید بود با استفاده از قابلیت تحلیل رگرسیون لجستیک پیشرفته، هر نوع داده مرتبط با تحقیقات خطرات علوم طبیعی را پردازش، پیشبینی و اعتبارسنجی کنید.
نمایش نظرات