scikit-learn 回归预测结果太好了。我搞砸了啥？

Posted 2023-03-28

【中文标题】scikit-learn 回归预测结果太好了。我搞砸了啥？

【英文标题】：scikit-learn regression prediction results are too good. What did I mess up?scikit-learn 回归预测结果太好了。我搞砸了什么？

【发布时间】：2019-01-08 08:49:02

【问题描述】：

我们在 Azure ML Studio 平台（最初的拖放系统）之上的 Azure 中运行了一些 ML 模型。一年多来一切都很好，但我们需要继续前进，这样我们才能更好地扩展。因此，我正在使用 scikit-learn 在 Python 中重写这些内容，并在 Jupyter 笔记本中对其进行测试。

好消息/坏消息是我们要训练的数据相当小（数据库中有数百条记录）。这是非常不完美的数据，做出了非常不完美的回归预测，所以错误是可以预料的。这很好。对于这个问题，很好。因为问题是，当我测试这些模型时，预测太完美了。我不明白我做错了什么，但我显然做错了某事。

（在我看来）显而易见的事情是我正在对测试数据进行训练，或者通过相关性发现了明显/完美的因果关系。我对train_test_split 的使用告诉我，我没有在我的测试数据上进行训练，我保证第二个是错误的，因为这个空间非常混乱（我们大约 15 年前开始对这些数据进行手动线性回归，并且仍然保持Excel 电子表格能够在紧要关头手动完成，即使它的准确度远低于我们的 Azure ML Studio 模型）。

让我们看一下代码。这是我的 Jupyter 笔记本的相关部分（抱歉，如果有更好的格式化方法）：

X = myData
y = myData.ValueToPredict
X_train, X_test, y_train, y_test = train_test_split(
    X, 
    y, 
    train_size = 0.75,
    test_size = 0.25)
print("X_train: ", X_train.shape)
print("y_train: ", y_train.shape)
print("X_test:  ", X_test.shape)
print("y_test:  ", y_test.shape)

X_train: (300, 17)

y_train: (300,)

X_test: (101, 17)

y_test: (101,)

ESTIMATORS = 
    "Extra Trees": ExtraTreesRegressor(criterion = "mse",
                                       n_estimators=10,
                                       max_features=16,
                                       random_state=42),
    "Decision Tree": DecisionTreeRegressor(criterion = "mse",
                                  splitter = "best",
                                       random_state=42),
    "Random Forest": RandomForestRegressor(criterion = "mse",
                                       random_state=42),
    "Linear regression": LinearRegression(),
    "Ridge": RidgeCV(),


y_test_predict = dict()
y_test_rmse = dict()
for name, estimator in ESTIMATORS.items():
    estimator.fit(X_train, y_train)
    y_test_predict[name] = estimator.predict(X_test)
    y_test_rmse[name] = np.sqrt(np.mean((y_test - y_test_predict[name]) ** 2)) # I think this might be wrong but isn't the source of my problem
for name, error in y_test_rmse.items():
    print(name + " RMSE: " + str(error))

额外树 RMSE：0.3843540838630157

决策树 RMSE：0.32838969545222946

随机森林 RMSE：0.4304701784728594

线性回归 RMSE：7.971345895791494e-15

岭 RMSE：0.0001390197344951183

y_test_score = dict()
for name, estimator in ESTIMATORS.items():
    estimator.fit(X_train, y_train)
    y_test_predict[name] = estimator.predict(X_test)
    y_test_score[name] = estimator.score(X_test, y_test)
for name, error in y_test_score.items():
    print(name + " Score: " + str(error))

额外树分数：0.9990166492769291

决策树分数：0.999282165241745

随机森林得分：0.998766521504593

线性回归分数：1.0

岭分数：0.9999999998713534

我想我可能做错了错误指标，所以我只查看了简单的分数（这就是我将两者都包括在内的原因）。然而，两者都表明这些预测好得令人难以置信。请记住，输入量很小（总共约 400 项？）。运行的数据本质上是根据天气模式对商品消费进行预测，这从一开始就是一个混乱的空间，因此应该存在很多错误。

我在这里做错了什么？

（另外，如果我能以更好的方式提出这个问题或提供更多有用的信息，我将不胜感激！）

---

这是数据的热图。我指出了我们预测的值。

我还绘制了一些更重要的输入与我们预测的值（按另一个维度进行颜色编码）：

这是第 2 列，正如 cmets 中所询问的那样

---

解决方案！

正如@jwil 所指出的，我没有将ValueToPredict 列从X 变量中拉出。解决方案是添加一行以删除该列：

X = myData
y = myData.ValueToPredict
X = X.drop("ValueToPredict", 1) # <--- ONE-LINE FIX!
X_train, X_test, y_train, y_test = train_test_split(
    X, 
    y, 
    train_size = 0.75,
    test_size = 0.25)

有了这个，我的错误和分数会比我预期的要多：

额外树 RMSE：1.6170428819849574

决策树 RMSE：1.990459810552763

随机森林 RMSE：1.699801032532343

线性回归 RMSE：2.5265108241534397

岭 RMSE：2.528721533965162

额外树分数：0.9825944193611161

决策树分数：0.9736274412836977

随机森林得分：0.9807672396970707

线性回归分数：0.9575098985510281

岭分数：0.9574355079097321

【问题讨论】：

您能提供您实际使用的数据吗？您的回归/树中的系数或特征重要性（分别）是什么？

看起来是由于一些过度拟合。请分享数据集。

我不知道如何回答@user3014097 的问题。至于数据，我不能分享它，因为它是非公开数据。如果这是一个过度拟合的问题，我怎样才能让它不太容易做到这一点？我一直在自学这一点——Python 和 ML，总的来说，对我来说还是很新的。我会看看是否可以附上数据的 sns.heatmap - 我认为这可能有助于在一定程度上满足您的要求。

对于线性/岭回归，请查看“estimator.coeff_”，对于树，请查看“estimator.feature_importances_”。我的猜测是一个会比其他的要高得多（在上面的图中显示基本上相关性为 1 的那个）

您正在初始化 X = myData 和 y = my.ValueToPredict。这对我来说看起来很奇怪。你的意思是写 X = my.Data 还是 y = myData.ValueToPredict ？

【参考方案1】：

你是对的；我强烈怀疑您的 X 数据中有一个或多个与 Y 数据几乎完全相关的特征。通常这很糟糕，因为这些变量不能解释 Y，而是由 Y 解释或与 Y 共同确定。要解决此问题，请考虑对 X 执行 Y 的线性回归，然后使用简单的 p 值或 AIC/BIC 来确定哪些 X 变量是最不相关的。放下这些并重复这个过程，直到你的 R^2 开始严重下降（尽管每次都会下降一点）。其余变量将与预测最相关，希望您能够从该子集中确定哪些变量与 Y 密切相关。

【讨论】：

那么你是说我对框架的使用，将训练数据与测试数据分开，所有这些都是正确的吗？如果您可以肯定地确认这里的内容是正确的，那么这就是我正在寻找的答案。

等待。在您的代码中，您似乎没有从 X 中删除 ValueToPredict。将该数据分配给 Y 后，您需要确保将其从 X 中删除。这肯定会解决您的问题。

就是这样！！这样做使我的分数下降到 ~95-97% 的水平，这正是我所期望的（99.99999-100% 令人难以置信）。我认为那是正是我的问题。所以我认为train_test_split 知道不在y 列上训练（由y 定义）。我不知道我必须从X 中删除它。

我很高兴这有效！ train_test_split 所做的只是将您的观察结果随机分成两组，但两组的所有特征都保持不变。

这绝对是我的错误假设所在。我现在要回顾一些其他的概念验证，在那里我遇到了同样的问题，这解决了很多令人头疼的问题！非常感谢！我大约一个月前第一次打这个，纺了一天，然后把它放在桌子上。从那以后尝试了几次以找出问题所在，但没有成功。希望我能给你买杯啤酒什么的。你为我节省了很多时间！谢谢你，随机聪明的互联网人！