使用机器学习预测 NA(缺失值)
Posted
技术标签:
【中文标题】使用机器学习预测 NA(缺失值)【英文标题】:Predict NA (missing values) with machine learning 【发布时间】:2017-04-21 03:11:08 【问题描述】:我有一个庞大的数据集,并希望使用机器学习算法(如 python 中的 svm 或随机森林)来预测(而不是替换)缺失值。
我的数据集如下所示:
ID i0 i1 i2 i3 i4 i5 j0 j1 j2 j3 j4 j5
0 0.19 -0.02 -0.20 0.07 -0.06 -0.06 -0.06 1.48 0.33 -0.46 -0.37 -0.11
1 -0.61 -0.19 -0.10 -0.1 -0.21 0.63 NA NA NA NA NA NA
2 -0.31 -0.14 -0.64 -0.5 -0.20 -0.30 -0.08 1.56 -0.2 -0.33 0.81 -0.03
.
.
我想做什么: 在 ID 0 和 2 的基础上,我想用 i0 到 i5 训练 j0 到 j5 的值。随后应该会预测 ID 1 的 j0-j5 的 NA。
问题: 由于数据不是连续的(时间步在 i5 处结束并在 j0 处重新开始),是否可以使用某种回归?
.fit(X, y) 和 .predict(X) 函数的 X 和 y 在此示例中应该如何?
【问题讨论】:
您是否认为有某种“物理”原因您可能会期望 NaN,您可以以某种方式将其合并到模型中?另一个想法:也许你可以做两个单独的回归; (i) 仅使用数字(不包括 NaN)和 (ii) 将 NaN 替换为 1,将数字替换为 0。如果 (ii) 说它是一个 NaN,它就是一个 NaN,如果 (ii) 说它是一个数字,它的值由 (i) 给出。这行得通吗? NaN 是故意添加的,不是在随机位置,而是仅在 j0-j5 中。我没有得到您的想法,因为它会使 NaN 保持原样,并且仅适用于其他值。 【参考方案1】:就您而言,您正在研究多输出回归问题:
回归问题 - 与分类相反 - 因为您试图预测一个值而不是类/状态变量/类别 多输出,因为您尝试为每个数据点预测 6 个值您可以在 sklearn 文档中阅读有关 multiclass 的更多信息。
在这里,我将向您展示如何使用 sklearn.multioutput.MultiOutputRegressor 和 sklearn.ensemble.RandomForestRegressor 来预测您的值。
构造一些虚拟数据
from sklearn.datasets import make_regression
X,y = make_regression(n_samples=1000, n_features=6,
n_informative=3, n_targets=6,
tail_strength=0.5, noise=0.02,
shuffle=True, coef=False, random_state=0)
# Convert to a pandas dataframe like in your example
icols = ['i0','i1','i2','i3','i4','i5']
jcols = ['j0', 'j1', 'j2', 'j3', 'j4', 'j5']
df = pd.concat([pd.DataFrame(X, columns=icols),
pd.DataFrame(y, columns=jcols)], axis=1)
# Introduce a few np.nans in there
df.loc[0, jcols] = np.nan
df.loc[10, jcols] = np.nan
df.loc[100, jcols] = np.nan
df.head()
Out:
i0 i1 i2 i3 i4 i5 j0 j1 j2 j3 j4 \
0 -0.21 -0.18 -0.06 0.27 -0.32 0.00 NaN NaN NaN NaN NaN
1 0.65 -2.16 0.46 1.82 0.22 -0.13 33.08 39.85 9.63 13.52 16.72
2 -0.75 -0.52 -1.08 0.14 1.12 -1.05 -0.96 -96.02 14.37 25.19 -44.90
3 0.01 0.62 0.20 0.53 0.35 -0.73 6.09 -12.07 -28.88 10.49 0.96
4 0.39 -0.70 -0.55 0.10 1.65 -0.69 83.15 -3.16 93.61 57.44 -17.33
j5
0 NaN
1 17.79
2 -77.48
3 -35.61
4 -2.47
最初排除 nans,分成 75% 的训练和 25% 的测试
拆分是为了能够验证我们的模型。
notnans = df[jcols].notnull().all(axis=1)
df_notnans = df[notnans]
# Split into 75% train and 25% test
X_train, X_test, y_train, y_test = train_test_split(df_notnans[icols], df_notnans[jcols],
train_size=0.75,
random_state=4)
使用基于随机森林回归器的多输出回归
from sklearn.ensemble import RandomForestRegressor
from sklearn.multioutput import MultiOutputRegressor
from sklearn.model_selection import train_test_split
regr_multirf = MultiOutputRegressor(RandomForestRegressor(max_depth=30,
random_state=0))
# Fit on the train data
regr_multirf.fit(X_train, y_train)
# Check the prediction score
score = regr_multirf.score(X_test, y_test)
print("The prediction score on the test data is :.2f%".format(score*100))
Out: The prediction score on the test data is 96.76%
预测 nan 行
df_nans = df.loc[~notnans].copy()
df_nans[jcols] = regr_multirf.predict(df_nans[icols])
df_nans
输出:
i0 i1 i2 i3 i4 i5 j0 \
0 -0.211620 -0.177927 -0.062205 0.267484 -0.317349 0.000341 -41.254983
10 1.138974 -1.326378 0.123960 0.982841 0.273958 0.414307 46.406351
100 -0.682390 -1.431414 -0.328235 -0.886463 1.212363 -0.577676 94.971966
j1 j2 j3 j4 j5
0 -18.197513 -31.029952 -14.749244 -5.990595 -9.296744
10 67.915628 59.750032 15.612843 10.177314 38.226387
100 -3.724223 65.630692 44.636895 -14.372414 11.947185
【讨论】:
谢谢,成功了!我在我的数据集上对其进行了测试,得到了约 35% 的分数。现在我不太确定这意味着什么,以及您如何设法获得 96% 的随机值。我会尝试在我的测试数据中添加另一列,也许它会改变我的结果。 我没有创建随机值,我使用了sklearn.datasets.make_regression,噪音很小,所以难怪我得到了高分。 只是一个小评论。使用随机森林回归器时,不需要多输出元估计器,因为随机森林算法默认支持多个目标。以上是关于使用机器学习预测 NA(缺失值)的主要内容,如果未能解决你的问题,请参考以下文章
机器学习数据预处理之缺失值:预测填充(回归模型填充分类模型填充)
[机器学习与scikit-learn-9]:数据预处理-2-缺失数据na的预处理