python - 飞行数据集的准确性非常低
问题描述
我正在尝试训练一个模型来预测基于航空公司、当月日期、目的地和出发地的出发延误。我尝试了几种方法,但准确性非常低。 在此处输入图像描述 拳头我使用的延迟标签直接从 -20 到 +20 分钟变化,我尝试通过设置间隔使其更容易:对于 [0 5[ => 0 [5 10] => 1 ..etc 中的延迟
但是准确性仍然很差,我尝试了几种方法;
更改图层
不规范化特征删除和添加新特征
但我仍然找不到有用的东西
################### 加载数据集df= dataset[['UniqueCarrier','DayofMonth','DepDelay','Dest','Origin']]
df.tail()
df = df.dropna()
df = df[(df['DepDelay'] <= 20) & (df['DepDelay'] <= 20)]
############### 掩码延迟值
ask = (df.DepDelay > 0) & (df.DepDelay < 5)
column_name = 'DepDelay'
df.loc[mask, column_name] = 0
mask = (df.DepDelay >= 5) & (df.DepDelay < 10)
column_name = 'DepDelay'
df.loc[mask, column_name] = 1
mask = (df.DepDelay >= 10) & (df.DepDelay < 15)
column_name = 'DepDelay'
df.loc[mask, column_name] = 2
mask = (df.DepDelay >= 15) & (df.DepDelay <= 20)
column_name = 'DepDelay'
df.loc[mask, column_name] = 3
mask = (df.DepDelay >= -5) & (df.DepDelay < 0)
column_name = 'DepDelay'
df.loc[mask, column_name] = -1
mask = (df.DepDelay >= -10) & (df.DepDelay < -5)
column_name = 'DepDelay'
df.loc[mask, column_name] = -2
mask = (df.DepDelay >= -15) & (df.DepDelay < -10)
column_name = 'DepDelay'
df.loc[mask, column_name] = -3
mask = (df.DepDelay >= -20) & (df.DepDelay < -15)
column_name = 'DepDelay'
df.loc[mask, column_name] = -4
############### 拆分标签和特征
y= df['DepDelay']
df.drop(columns = ['DepDelay'], inplace = True, axis = 1)
################ 替换字符值
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
df['Dest'] = le.fit_transform(df.Dest.values)
df['Origin'] = le.fit_transform(df.Origin.values)
df['UniqueCarrier'] = le.fit_transform(df.UniqueCarrier.values
########################## 标准化
from sklearn.preprocessing import StandardScaler
from sklearn import preprocessing
# Normalize Training Data
std_scale = preprocessing.StandardScaler().fit(df)
df_norm = std_scale.transform(df)
training_norm_col1 = pd.DataFrame(df_norm, index=df.index,
columns=df.columns)
df.update(training_norm_col1)
print (df.head())
########################## 该模型
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from keras.models import Sequential
from keras.layers import Dense, Dropout
import matplotlib.pyplot as plt
import numpy
class LossHistory(keras.callbacks.Callback):
def on_train_begin(self, logs={}):
self.losses = []
def on_batch_end(self, batch, logs={}):
self.losses.append(logs.get('loss'))
model = Sequential()
model.add(Dense(64, input_dim=4, activation='relu'))
model.add(Dense(30, activation='relu'))
model.add(Dense(12, activation='relu'))
model.add(Dense(1))
# Compile model
model.compile(loss='mean_squared_error', optimizer='adam', metrics=
['accuracy'])
# Fit the model
history = LossHistory()
model.fit(df, y, validation_split=0.33, epochs=1000,
batch_size=50,verbose=1, callbacks=[history])
print(history.losses)
训练时的准确度约为:0.3524。用于训练的 DATAFRAME 大约有 3M 行
解决方案
当loss = 'mean_squared_error'
在单节点最终层中使用并且没有激活(即默认线性激活)时,就像您在此处所做的那样,您处于回归设置中,其中准确性毫无意义(仅在分类问题中才有意义)。
不幸的是,在这种情况下,Keras 不会“保护”您,坚持计算并报告“准确性”,尽管它对您的问题毫无意义且不合适 - 请参阅我在什么函数定义 Keras 中的准确性时的回答损失是均方误差(MSE)?
如果您想坚持回归设置,您应该简单地metrics=['accuracy']
从模型编译中删除,并且不要打扰 - 在回归设置中,MSE 本身可以(并且通常确实)也可以用作性能指标。但这意味着您将尝试直接预测数值,而不是您所描述的来自分箱的“标签”。
如果您想预测分箱间隔,例如
[0 5] => 0
[5 10] => 1
等等,即在分类设置中工作,您应该将损失更改为categorical_cross_entropy
并将准确性作为您的指标。请记住,您还应该将标签转换为单热编码的标签(请参阅 Keras to_categorical
),并将最后一层替换为
model.add(Dense(num_classes, activation='softmax'))
其中num_classes
是您的分箱过程产生的类数。
推荐阅读
- javascript - 如何使用所有 ascii 字符生成所有可能的字符串到一定长度
- html - 折叠 flex-column 导航时折叠动画看起来很奇怪
- ansible - Ansible fech 失败:“msg”:“校验和不匹配”
- python - pip3 在 ubuntu 上安装 django
- javascript - 获取我的机器人发送的消息的消息 ID
- c++ - 是否可以让字符串函数(例如 strstr )在 C++ 中从头到尾考虑数组?
- c++ - 如何跳过一行标准输入?
- linux - 实现系统调用:无法从用户接收参数值
- python - sklearn 的股票数据线性回归
- sql - SQL 嵌套循环成本太高