C/ Mariano Esquillor, s/n. 50018 - Zaragoza
+34 619 12 46 15
info@remot-technologies.com

Cómo realizar la instalación de la librería Scikit-learn

Cómo realizar la instalación de la librería Scikit-learn

Hace unas semanas, explicábamos como realizar una clasificación supervisada con QGIS mediante el complemento DZETSAKA (puedes ver el artículo aquí), pero no explicamos cómo realizar la instalación de la librería Scikit-learn para poder utilizar las opciones de Random Forest, Support Vector Machines (SVM) o K-Nearest Neighbors (KNN).

Diferentes algoritmos para la realización de clasificación supervisada

Por tanto, si intentamos acceder a una de estas tres opciones: Random Forest, SVM o KNN, nos aparece el siguiente mensaje donde nos indica que solamente podemos utilizar el Modelo Mixto Gaussiano y que, si queremos utilizar una de las otras opciones, debemos instalar la librería Scikit-learn que falta.

Mensaje de advertencia. Falta la instalación de la librería scikit-learn

Instalación de la librería Scikit-learn para QGIS 3

Para realizar esta instalación, debemos abrir la terminal de OSGeo4W Sell que encontramos desde Inicio de windows

Acceso al terminal de OSGeo4W

Al seleccionar OSGeo4W, se nos abrirá la terminal.

Terminal de OSGeo4W

En primer lugar, debemos escribir el siguiente comando:

py3_env.bat

Al introducir este comando, entramos en el entorno de Python

Entorno de Python en la terminal de OSGeo4W

En segundo lugar, escribiremos el segundo comando que será:

python3 -m pip install scikit-learn -U –user
Instalación de scikit-learn

Por último, una vez que hemos realizado estos pasos, ya tenemos instalada la librería y podemos utilizar las herramientas de: Random Forest, Support Vector Machines o K-Nearest Neighbors.

Como podemos ver en la siguiente imagen, al poner una de estas tres opciones en el panel, ya no nos aparece el mensaje de error.

Opciones de Random Forest en la clasificación supervisada

Instalación de librerías Scikit-learn para QGIS 2

En este caso, tal y como podemos leer en Github, hay que buscar en la configuración de OSGeo PIP e instalarlo. Una vez realizado este paso, buscamos en el explorador de windos OSGeo4W Shell y ejecutamos como administrador para poder introducir el siguiente comando:

pip install scikit-learn

Clasificación supervisada desde Panel de herramientas de procesos

Una vez llegados aquí, ya podemos proseguir con nuestra clasificación supervisada tal y como explicamos en el anterior post, o podemos hacerla desde la herramienta que se ha instalado en el Panel de herramientas de procesos. Aquí encontramos un mayor número de opciones con diferentes configuraciones para realizar nuestra clasificación.

Diferentes funciones dentro de la caja de herramientas de procesos de QGIS

Opciones de Classification tool:

  • Predict model: permite hacer modelos de predicción de la clasificación. Solo tendremos que introducir
    • Imput ráster: la capa sobre el que queremos realizar la clasificación,
    • Model learned: la capa shp que tiene nuestras áreas de entrenamiento
    • Output ráster: daremos nombre de salida
Modelos predictivos de clasificación supervisada
  • Train algorithm: permite realizar una validación cruzada donde podemos escoger:
    • Input Raster: capa de entrada sobre la que haremos la clasificación
    • Imput layer: capa con nuestras áreas de entrenamiento
    • Field: columna en la que tenemos nuestras categorías de clasificación
    • Select algorithm to train: seleccionaremos cualquier algoritmo de los vistos anteriormente, en este caso hemos puesto Random Forest.
    • Pixeles: porcentaje de pixeles que guardaremos para la validación
    • Otutput model: nombre de salida del modelo clasificado
    • Output confusión matrix: nombre de salida de la matriz de confusión creada.
Herramienta de validación cruzada para clasificación supervisada.

Opciones de Vector manipulation:

  • Split train adn validation: esta herramienta nos permite generar muestras de entrenamiento y de validación a partir de nuestra capa con las áreas de entrenamiento:
    • Imput layer: introduciremos la capa donde tenemos nuestras áreas de entrenamiento
    • Field: la columna donde tenemos nuestras clases definidas
    • Select method for splitting dataset: podemos definir en porcentaje o en número nuestra muestra
    • Select 50 for 50…: debemos escoger el porcentaje para el área de entrenamiento y para la de validación.
    • Output validation: nombre de salida de la capa de que servirá para la validación del modelo.
    • Output train: nombre de salida que servirá para el entrenamiento del algoritmo.
Creación de capas de entrenamiento y validación para la validación cruzada.

Video en Youtube

Para terminar, en el siguiente enlace podrás ver el vídeo donde te explicamos cómo instalar el complemento DZETSAKA y cómo realizar la instalación de la librería Scikit-learn.

Vídeo de instalación de la libería Scikit-learn.

Esperamos que te haya gustado el artículo de hoy y, si quieres, puedes hacer un comentario o compartirlo en tus redes y hacernos cualquier sugerencia para añadir otro post sobre un tema del que te gustaría aprender.

Si quieres aprender más cosas sobre GIS, teledetección y software libre puedes ver más aquí, y apuntarte a los cursos que impartimos a través de la plataforma de formación de Geoinnova.

 

Una respuesta

  1. […] Mira aquí cómo instalar la librería Scikit-learn para poder usar todas las funcionalidades del plugin DZETSAKA para clasificaciones de cubiertas […]

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

A %d blogueros les gusta esto: