如何使用随机森林训练和预测模型?
Posted
技术标签:
【中文标题】如何使用随机森林训练和预测模型?【英文标题】:How to train and predict a model using Random Forest? 【发布时间】:2017-12-15 07:45:10 【问题描述】:我们如何使用random forest
预测模型?我想训练一个模型,最后使用three column dataset 的random forest model in Python
预测一个真值(点击链接下载完整的CSV
-dataset,格式如下
t_stamp,X,Y
0.000543,0,10
0.000575,0,10
0.041324,1,10
0.041331,2,10
0.041336,3,10
0.04134,4,10
0.041345,5,10
0.04135,6,10
0.041354,7,10
我想使用X
使用random forest model
使用X
的最后一个(例如:5、10、100、300、1000 等)数据点来预测Y
的当前值(真实值) sklearn
中的 Python
。意思是将X
列的[0,0,1,2,3]
作为第一个窗口的输入——我想预测Y
的第5 行值,该值是在Y
的先前值上训练的。类似地,使用简单的rolling OLS regression model
,我们可以按照以下方式进行操作,但我想使用random forest model
进行操作。
import pandas as pd
df = pd.read_csv('data_pred.csv')
model = pd.stats.ols.MovingOLS(y=df.Y, x=df[['X']],
window_type='rolling', window=5, intercept=True)
我用random forest
解决了这个问题,得到df
:
t_stamp X Y X_t1 X_t2 X_t3 X_t4 X_t5
0.000543 0 10 NaN NaN NaN NaN NaN
0.000575 0 10 0.0 NaN NaN NaN NaN
0.041324 1 10 0.0 0.0 NaN NaN NaN
0.041331 2 10 1.0 0.0 0.0 NaN NaN
0.041336 3 10 2.0 1.0 0.0 0.0 NaN
0.041340 4 10 3.0 2.0 1.0 0.0 0.0
0.041345 5 10 4.0 3.0 2.0 1.0 0.0
0.041350 6 10 5.0 4.0 3.0 2.0 1.0
0.041354 7 10 6.0 5.0 4.0 3.0 2.0
.........................................................
[ 10. 10. 10. 10. .................................]
MSE: 1.3273548431
这似乎适用于范围 5、10、15、20、22。但是,它似乎不适用于大于 23 的范围(它打印 MSE: 0.0
),这是因为,你可以从dataset 看到,Y
的值从第 1 行到第 23 行是固定的(10),然后从第 24 行更改为另一个值(20,依此类推)。我们如何训练和预测这种情况的模型基于最后的数据点?
【问题讨论】:
对于大于 10 的范围,我得到的值较低。但它不是 0。MSE 应该降低,它是预测误差的一种度量。那么有什么问题呢? 我认为我们得到一个小的MSE
的原因可能是因为模型正在记住Y
的单个值(当Y
的值保持不变时(具有常数值) - 例如从第 1 行到第 23 行)。
【参考方案1】:
似乎使用现有代码,在调用dropna
时,您会截断X
而不是y
。您还可以对相同的数据进行训练和测试。
修复此问题将提供非零 MSE。
代码:
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
df = pd.read_csv('/Users/shivadeviah/Desktop/estimated_pred.csv')
df1 = pd.DataFrame( 'X_%d'%i : df['X'].shift(i) for i in range(25))
df1['Y'] = df['Y']
df1 = df1.sample(frac=1).reset_index(drop=True)
df1.dropna(inplace=True)
X = df1.iloc[:, :-1].values
y = df1.iloc[:, -1].values
x = int(len(X) * 0.66)
X_train = X[:x]
X_test = X[x:]
y_train = y[:x]
y_test = y[x:]
reg = RandomForestRegressor(criterion='mse')
reg.fit(X_train, y_train)
modelPred = reg.predict(X_test)
print(modelPred)
print("Number of predictions:",len(modelPred))
meanSquaredError = mean_squared_error(y_test, modelPred)
print("MSE:", meanSquaredError)
print(df1.size)
df2 = df1.iloc[x:, :].copy()
df2['pred'] = modelPred
df2.head()
输出:
[ 267.7 258.26608241 265.07037249 ..., 267.27370169 256.7 272.2 ]
Number of predictions: 87891
MSE: 1954.9271256
6721026
X_0 pred
170625 48 267.700000
170626 66 258.266082
170627 184 265.070372
170628 259 294.700000
170629 271 281.966667
【讨论】:
@Mahsolid 好吧,那是因为您正在使用相同的数据进行训练和测试! @Mahsolid 暂时忘记 OLS。让我们看看这个。我对我的代码进行了一些更改。看来MSE现在已经飙升。还并排显示了预测。 @Mahsolid 我没有 Anaconda,也不想安装它。我希望这足以让你自己开始。祝你好运,对不起,我不能提供更多帮助。 :) @Mahsolid 再次感谢我的朋友。我现在距离 10k 只差 40 岁! @Mahsolid 我很乐意回答,只要我不必安装 conda。干杯!以上是关于如何使用随机森林训练和预测模型?的主要内容,如果未能解决你的问题,请参考以下文章
如何将经过训练和测试的随机森林模型应用于 tidymodels 中的新数据集?