时间戳

首页 > 解决方案 > scikit-learn 回归预测结果太好了。我搞砸了什么？

python - scikit-learn 回归预测结果太好了。我搞砸了什么？

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，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，但我显然做错了什么。

显而易见的事情（在我看来）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。我的使用train_test_split告诉我我没有对我的测试数据进行训练，我保证第二个是错误的，因为这个空间是多么的混乱（我们大约 15 年前开始对这些数据进行手动线性回归，并且仍然维护 Excel 电子表格能够在紧要关头手动完成，即使它比我们的 Azure ML Studio 模型准确得多）。

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

决策树得分：0.999282165241745

随机森林分数：0.998766521504593

线性回归分数：1.0

岭分数：0.9999999998713534

我想也许我做错了错误指标，所以我只看了简单的分数（这就是我把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。

数据的 Seaborn 热图

我还绘制了一些更重要的输入与我们预测的值（由另一个维度进行颜色编码）：

我们预测的值图

这是第 2 列，如评论中所述 另一个情节

解决方案！

正如@jwil 所指出的，我并没有将我的ValueToPredict列从我的X变量中拉出来。解决方案是添加一个单行以删除该列：

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，我的错误和分数就比我期望的要高得多：

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

决策树得分：0.9736274412836977

随机森林得分：0.9807672396970707

线性回归分数：0.9575098985510281

岭分数：0.9574355079097321

标签： pythonmachine-learningscikit-learnazure-machine-learning-studio

解决方案

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。

推荐阅读