目录简介数据代码效果关于数据获取简介其实……不太想写简介……之前写了两篇（第一篇点这里；第二篇点这里）关于机器学习（随机森林）的文章，反响还不错。然后前一段时间有一些小伙伴来问我关于预测的事情，我仔细回想了一下之前的文章我似乎没有把预测当成一个重要的任务（我在一定程度上陷入了误区），所以我赶紧（拖了好几个月）写下了这篇博客。机器学习不用多说了，主要还是用来完成回归和分类任务。本篇的任务是对于离散数

最近完成一个工作，就基于一些表格化的数据进行机器学习分类。由于分类是研究中的关键步骤，所以首先要选择到底哪个模型适合我们的分类任务。比较传统且经典的选择方法就是用交叉验证。交叉验证是什么可以看以下这幅图，来自这篇论文，这里不过多赘述。那么，具体实验中，有了数据之后，要怎么用自动化高效地方法完成交叉验证并选择合适的模型呢？这篇博文就是为了解决这个问题。本文要实现的东西很简单，在于：对多个模型进行k折

目录1. 引言2. 数据爬取2.1. 代码2.2. 结果3. 数据清洗3.1. 代码3.2. 结果4. 可视化展示后记1. 引言由于前面几篇关于百度迁徙获取数据的文章反响不错，有好多dalao联系我。在十一月份的时候，一位老师联系到我，并且表示还需要腾讯位置大数据，然后给我发来一篇博客问我能不能模仿着实现，她给我发的这篇博客确实让我受益匪浅。这篇博客似乎来自于河海大学的吴同学，里面的代码应该也是他

本文针对的场景是，已经通过arcpy制作了渔网（fishnet）并且把一个tif根据渔网格网分裂成成千上万个带编号的小方格tif，接下来就要计算这些带编号的小放个的各种景观指数。本文假设同学们已经会使用界面化的fragstats，并且会制作批量计算的fbt脚本文件（也就是import batch需要导入的文件）。本文包括两部分：1，拆分批量运算的脚本文件（默认为fbt文件，但本文中为了方便使用cs

目录1. 引言2. 数据爬取2.1. 代码2.2. 结果3. 数据清洗3.1. 代码3.2. 结果4. 可视化展示后记1. 引言由于前面几篇关于百度迁徙获取数据的文章反响不错，有好多dalao联系我。在十一月份的时候，一位老师联系到我，并且表示还需要腾讯位置大数据，然后给我发来一篇博客问我能不能模仿着实现，她给我发的这篇博客确实让我受益匪浅。这篇博客似乎来自于河海大学的吴同学，里面的代码应该也是他

目录简介数据代码效果关于数据获取简介其实……不太想写简介……之前写了两篇（第一篇点这里；第二篇点这里）关于机器学习（随机森林）的文章，反响还不错。然后前一段时间有一些小伙伴来问我关于预测的事情，我仔细回想了一下之前的文章我似乎没有把预测当成一个重要的任务（我在一定程度上陷入了误区），所以我赶紧（拖了好几个月）写下了这篇博客。机器学习不用多说了，主要还是用来完成回归和分类任务。本篇的任务是对于离散数

目录简介与技术流程数据及其预处理要调用的包代码函数：计算斜率和变异系数代码：计算栅格图像的斜率代码：计算栅格图像的变异系数代码：函数的调用与结果后记简介与技术流程最近导师给了个新方向，其中要用到长时间和大空间的高分辨率遥感影像分类数据。这。。这么多要求。。实在没有免费的并且符合要求的数据。。于是我寻思还是自己做吧，所以马上学习了下GEE。。。关于GEE的申请什么的我这里就不多说了，这篇博客直接进入

调用符合要求的所有Landsat系列影像合成，并计算各种基础指数。

本文针对的场景是，已经通过arcpy制作了渔网（fishnet）并且把一个tif根据渔网格网分裂成成千上万个带编号的小方格tif，接下来就要计算这些带编号的小放个的各种景观指数。本文假设同学们已经会使用界面化的fragstats，并且会制作批量计算的fbt脚本文件（也就是import batch需要导入的文件）。本文包括两部分：1，拆分批量运算的脚本文件（默认为fbt文件，但本文中为了方便使用cs

目录简介与技术流程数据及其预处理要调用的包代码函数：计算斜率和变异系数代码：计算栅格图像的斜率代码：计算栅格图像的变异系数代码：函数的调用与结果后记简介与技术流程最近导师给了个新方向，其中要用到长时间和大空间的高分辨率遥感影像分类数据。这。。这么多要求。。实在没有免费的并且符合要求的数据。。于是我寻思还是自己做吧，所以马上学习了下GEE。。。关于GEE的申请什么的我这里就不多说了，这篇博客直接进入