ArcGIS Pro中随机森林变量出图实战：从数据准备到可视化全流程解析

1次阅读

共计 1679 个字符，预计需要花费 5 分钟才能阅读完成。

随机森林作为一种强大的机器学习算法，在地理空间分析中有着广泛的应用。相比传统的统计分析，随机森林能够高效处理高维数据、自动发现非线性关系，且对异常值和噪声有很好的鲁棒性。ArcGIS Pro 作为专业的地理信息平台，集成了 arcpy 模块，使得我们可以在 GIS 环境中直接实现随机森林建模，避免了数据在不同软件间转换的麻烦。

数据收集与导入
建议从公开数据源获取训练数据，如国家统计局、OpenStreetMap 等
在 ArcGIS Pro 中使用 ” 添加数据 ” 工具导入 CSV、Shapefile 等格式
数据清洗
处理缺失值：使用 arcpy.CalculateField_management()填充或删除
异常值检测：通过 arcpy.Statistics_analysis()查看数据分布
数据归一化：对量纲不同的特征使用 Min-Max 标准化
特征工程
空间特征提取：使用 arcpy.gp.EucDistance()生成距离特征
时间特征转换：将日期字段拆分为年、月、日等特征
类别特征编码：对文本型变量使用 One-Hot 编码

import arcpy
from sklearn.ensemble import RandomForestRegressor

# 准备训练数据
train_data = arcpy.da.TableToNumPyArray("训练数据", ["特征 1","特征 2","目标变量"])
X = train_data[['特征 1','特征 2']]
y = train_data['目标变量']

# 参数设置
rf = RandomForestRegressor(
    n_estimators=100,  # 树的数量
    max_depth=10,     # 最大深度
    min_samples_split=5,  # 节点分裂最小样本数
    random_state=42   # 随机种子
)

# 模型训练
rf.fit(X, y)

参数调优技巧
– 使用 GridSearchCV 进行交叉验证调参
– 优先调整 n_estimators 和 max_depth
– 针对小样本数据可适当减小 min_samples_split

提取重要性指标

importances = rf.feature_importances_
indices = np.argsort(importances)[::-1]

# 打印特征重要性
print("Feature ranking:")
for f in range(X.shape[1]):
    print(f"{f+1}. feature {indices[f]} ({importances[indices[f]]})")

结果解读
重要性值越高表示该特征对预测贡献越大
建议保留重要性 >0.05 的特征
警惕高相关特征带来的重要性偏差

制作重要性柱状图

import matplotlib.pyplot as plt

plt.figure()
plt.title("Feature Importance")
plt.bar(range(X.shape[1]), importances[indices])
plt.xticks(range(X.shape[1]), indices)
plt.show()