使用 sklearn RandomForestRegressor 时我的数据框的 x 值是多少？

Posted 2023-03-12

【中文标题】使用 sklearn RandomForestRegressor 时我的数据框的 x 值是多少？

【英文标题】：What is my dataframe's x value when using sklearn RandomForestRegressor?

【发布时间】：2020-04-15 16:10:43

【问题描述】：

我正在为我的学校项目开发一个大数据项目。我的数据集如下所示：https://github.com/gindeleo/climate/blob/master/GlobalTemperatures.csv

我正在尝试预测“LandAverageTemperature”的下一个值。

我之前问过关于这个话题的另一个问题。（它在这里：How to predict correctly in sklearn RandomForestRegressor?）我无法得到这个问题的任何答案。在我的第一个问题没有得到任何结果然后又失败了一天之后，我'我决定从头开始。

现在，我想知道我的数据集中的哪个值是“x”，以便正确进行预测。我读到 y 是我想预测的因变量，而 x 是我应该用作“预测器”来帮助预测过程的自变量。在这种情况下，我的 y 变量是“LandAverageTemperature”。我不知道 x 值是多少。起初我使用 x 的日期值，但目前我不确定这是真的。

如果我不应该对这个数据集使用 RandomForestRegressor 或 sklearn（我从这个项目开始使用 spark），请告诉我。提前致谢。

【参考方案1】：

您只有一个变量 (LandAverageTemperature)，所以显然这就是您要使用的变量。您正在寻找的是 df.shift() 函数，它会改变您的值。使用此功能，您将能够将过去值的列添加到您的dataframe。然后，您将能够使用t 1 month/day ago、t 2 months/days ago 等作为另一天/一个月温度的预测指标。

你可以这样使用它：

for i in range(1, 15):
    df.loc[:, 'T–%s'%i] = df.loc[:, 'LandAverageTemperature'].shift(i)

然后，您的列将是 temperature，温度为 T-1、T-2，最多 14 个时间段。

关于什么是时间序列预测的合适模型的问题，这对于本网站来说是题外话，但https://stats.stackexchange.com 上有很多资源。

【讨论】：

这个问题可能听起来很愚蠢，但我对回归本身知之甚少。所以，很明显我应该为 x 使用“T”值，但我有 15 个。在这种情况下，如果我想为我的模型使用RandomForestRegressor，我应该使用哪个 T 值？我可以使用多个预测器吗？如果有，怎么做？

我认为一些基础教程可能会对您有所帮助，有很多。简而言之，您需要将y 和x 分开。然后，您将使用model.fit(x, y) 方法，然后在您的测试集上使用model.predict()。 docs中有教程

【参考方案2】：

一般情况下，您可以将 X 特征矩阵用于除目标列之外的所有数据列。但在你的情况下，有几个并发症：

多年来，您在大多数列中都有

遗漏（空）数据

。您可以从训练数据中排除此类行/年。或者排除缺少数据的列（这将是您的几乎所有列，这不好）。 回归模型不能直接使用日期字段，您应该将日期字段转换为一些数字字段，例如“第一次观察后的月份”。

(year-1750)*12 + month

之类的东西。或者/并且您可以将年份和月份放在单独的列中（如果您的数据中有一些“季节性”，那就更好了）。 您这里有连续的时间数据，所以您可能不应该使用简单回归。使用一些 ARIMA/SARIMA/SARIMAX 等所谓的

时间序列

模型，在您的情况下逐月逐月预测目标数据。这是一个很难学习的话题，但您绝对应该看看 TS，因为如果不是今天，您将来某个时候会需要它。