防止随机森林回归器中数据泄漏的建议
Posted
技术标签:
【中文标题】防止随机森林回归器中数据泄漏的建议【英文标题】:Recommendations for preventing data leakage in Random Forest Regressor 【发布时间】:2019-09-14 20:22:18 【问题描述】:我目前的准确度和 f1 测量值都为 1.00。我怀疑是数据泄露造成的。
我正在寻找任何技巧以尽可能减少数据泄漏。
谢谢。
下面是我的python脚本:
import pandas as pd
import numpy as np
# Other imports here
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import classification_report
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
dataset = pd.read_csv("weather.csv")
print(len(dataset))
dataset = pd.get_dummies(dataset, columns=["Date", "Location", "WindGustDir", "WindDir9am", "WindDir3pm",])
dataset["RainToday"] = dataset["RainToday"].map('Yes': 1, 'No': 0)
dataset["RainTomorrow"] = dataset["RainTomorrow"].map('Yes': 1, 'No': 0)
dataset.dropna(inplace=True)
dataset = dataset.rename_axis(None)
X = dataset.drop('RainTomorrow', axis=1)
y = dataset['RainTomorrow']
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.20, random_state=216037514)
classifier = RandomForestRegressor(n_estimators = 200, random_state = 216037514)
classifier.fit(X_train,y_train)
y_pred = classifier.predict(X_test)
print("Report:\n", classification_report(y_test,y_pred))
print("Accuracy: ", accuracy_score(y_test,y_pred))
当前结果:
142193
Report:
precision recall f1-score support
0 1.00 1.00 1.00 9026
1 1.00 1.00 1.00 2592
micro avg 1.00 1.00 1.00 11618
macro avg 1.00 1.00 1.00 11618
weighted avg 1.00 1.00 1.00 11618
Accuracy: 1.0
【问题讨论】:
你能举一个RainToday
和RainTomorrow
列的例子吗?有Yes/Yes
、No/No
、Yes/No
和No/Yes
这4种配置出现了吗?
它是时间序列数据集吗?如果是这样,您的问题在于 train_test_split 部分
【参考方案1】:
数据泄露来源:https://machinelearningmastery.com/data-leakage-machine-learning/
如果不是完全无效的预测模型,数据泄漏可能会导致您创建过于乐观的预测模型。
假设这是一个真实的数据集,1.0 的分类分数是相当不切实际的。因此,这里的数据泄露似乎是一个合理的解释。
以上来源提出了两种防止数据泄露的通用技术:
在交叉验证折叠中执行数据准备。 保留一个验证数据集,以便对您开发的模型进行最终健全性检查。
这些都是很好的建议。我想添加第三个:
-
了解您的数据!
看看数据,想想数据,然后再看一遍。然后换个角度看。如果可能,请在文本编辑器中打开它。打印数据框。绘制数据。尽你所能去感受它。问自己以下问题:
是否存在重复行?您不想重复。它们完全违背了交叉验证和保留集的目的。 是否存在重复列?有些算法不喜欢共线性变量,您不希望目标变量潜入特征变量中。 要素中是否有任何不应该存在的信息?例如,如果您今天预测明天下雨,那么明天应该没有今天不可用的信息。 行不是独立的吗?或 数据在组内是否具有相关性?如果是,请确保每个组都在测试集或训练集中,但从不在两者中。 Scikit-learn 有这方面的功能,例如GroupKFold
。组可以以许多奇怪的方式输入数据集;例如重复测量、更改测量设备/方法、在时间或空间上接近的测量……
一旦您确定数据没问题,请验证您的处理:
随机打乱包含目标变量的列。在处理链中尽早执行此操作(即修改 .csv 文件,或在构建列后立即执行此操作)。确保仅该列被打乱。我亲切地称之为垃圾测试。它将数据变成垃圾,这几乎是有意义的。如果模型仍然给出“良好”的结果,请寻找代码或概念中的错误。
【讨论】:
以上是关于防止随机森林回归器中数据泄漏的建议的主要内容,如果未能解决你的问题,请参考以下文章