时间序列回归 - RandomForest
Posted
技术标签:
【中文标题】时间序列回归 - RandomForest【英文标题】：Time series regression - RandomForest 【发布时间】：2018-04-01 03:19:44 【问题描述】：为愚蠢的问题道歉 - 这里总共 n00b。
假设我有以下数据集。
date,site,category,locale,type,rank,sessions,logins
01/01/2017,google.com,search,US,free,1,3393093,50000
01/01/2017,google.com,overall,US,free,1,3393093,50000
01/01/2017,yahoo.com,search,US,3,free,core,393093,40000
01/01/2017,yahoo.com,news,US,9,free,393093,40000
01/01/2017,yahoo.com,overall,US,23,free,393093,40000
01/01/2017,wsj.com,news,US,21,free,200000,180000
01/01/2017,wsj.com,news,US,21,subscription,200000,180000
01/01/2017,wsj.com,overall,US,93,free,200000,180000
其中 rank 是该网站的 Alexa 排名。有几种可能的类别（搜索、电子邮件、电子商务等），排名对应于该类别中的排名。
我正在尝试预测特定站点/区域设置/等级在特定日期内的会话和登录数量，基本上将其归结为多元时间序列回归问题，并且我正在使用 sklearn 的 RandomForestRegressor。
现在我根本不将其视为时间序列问题 - 对于训练，我删除了 date 和 site 列，编码 category、locale 和 rank 列，使用他们和rank 作为输入并训练我的模型来预测sessions 和logins。结果看起来不错，但我想知道：
如何将其转换为正确的时间序列预测？我看到some examples by Jason Brownlee 将问题重新定义为监督学习问题 - 但这不起作用，因为我可能有数百万行训练数据。我可以按类别/区域设置/类型对训练数据进行分组，按日期排序并在 T 天对特定类别/区域设置/类型组合进行测试，使用 T-1 天之前的数据进行训练 - 但这种方法非常昂贵因为可能有数以千计的此类类别/区域设置/类型组合
我读过关于使用移动平均线来提高性能的文章。计算训练集中sessions 和logins 的移动平均值很简单，但由于这是一个因变量，我如何在测试集中捕获它？
有没有比 RF 更好的工具来完成这项任务？
【问题讨论】：
【参考方案1】：我会使用链接博客文章中的方法，如果您使用像shift 这样的矢量化 numpy 操作，数据转换应该不是问题。
顺便说一句，如果您忽略日期，您只是在计算每个组的平均数字，即您正在使用随机森林来构建一个非常精美的数据透视表；-)
【讨论】：
谢谢，但是shift 方法涉及为每一行创建一个列。看到大约有一百万行，这将导致一百万多列 - 我不确定那里的效率
你不会为每一行做一列，你只需在一个窗口大小内做几个步骤（在链接的博客文章中，他们只是对每一行使用前一个时间步）以上是关于时间序列回归 - RandomForest的主要内容，如果未能解决你的问题，请参考以下文章