python - 使用星期几、星期几和媒体类型创建回归模型?
问题描述
Jupyter
在笔记本中使用 Python 3 。我正在尝试创建一个回归模型(方程?)来预测Eng as % of Followers
变量。我会得到Media Type
,Hour Created
和Day of Week
. 这些都应该被视为分类变量。
这是我过去的一些数据。
Media Type Eng as % of Followers Hour Created Day of Week
0 Video 0.0136 23 Tuesday
1 Video 0.0163 22 Wednesday
2 Video 0.0163 22 Tuesday
3 Video 0.0196 22 Friday
4 Video 0.0179 20 Thursday
5 Photo 0.0087 14 Wednesday
我已经创建了dummy variables
using pd.get_dummies
,但我不确定我是否正确 - 问题特别在于Hour Created
变量。它们是数字,但我希望它们被视为类别。例如,第 22 小时可能是性能提升器,但这不应该暗示关于第 21 小时或第 23 小时的任何事情。
我也很好奇我是否可以在Day of Week
和之间的交互中使用我的模型因素Hour Created
(也许 22 小时在大多数日子里是一个提升,但 22-周五会导致下降)就像我已经看到的帕西所做的那样......但这可能让我变得贪婪。
以下是我创建虚拟变量的方法,这为我解决了将其Hour Created
作为定量变量而不是定性变量的问题。此外,我现在使用的 Vars 数据框并没有我想要预测的东西。这可能是对的吗?
Vars = Training[['Hour Created','Day of Week','Media Type']]
Result = Training['Eng as % of Followers']
Vars = pd.get_dummies(data=Vars, drop_first=True)
如果有人可以帮助解决 Hour Created 问题,那将是一个很好的开始......然后,不知道从那里去哪里。我见过人们在这种情况下使用 ols 功能。或者来自 sklearn 的 linear_model。我正在为如何解释两者的结果而苦苦挣扎,尤其是在如何将这 3 个自变量的数据框插入该模型中。如果有人可以提出建议,我会尝试使用它。
编辑:包括我尝试创建此模型的几种方法。这是第一个,我假设它错误地使用了我的 Hour 数据。由于我传递给它的数据框甚至没有 Eng 作为列标题的追随者百分比,我什至不确定它试图预测什么......
Vars_train, Vars_test, Result_train, Result_test = train_test_split(Vars, Result, test_size = .20, random_state = 40)
regr = linear_model.LinearRegression()
regr.fit(Vars_train, Result_train)
predicted = regr.predict(Vars_test)
当我尝试如下使用 ols 方法时,出现无效的语法错误。我尝试了不同的变化无济于事。
fit1 = ols('Eng as % of Followers ~ C(Day of Week) + C(Hour Created) + C(Media Type)', data=Training).fit()
解决方案
确保正确进行虚拟编码的一种方法是将列转换为
str
类型。在您的情况下Hour Created
,尽管它本质上是数字,但您希望将其视为分类,因此最好在进行虚拟编码之前将它们转换为字符串。为了捕获之间的交互
Day of Week
并Hour Created
进行特征工程,并通过乘法创建您自己的特征,Day of Week
并将Hour Created
其作为输入提供给您的模型。为了理解/解释您的模型,您可以查看不同特征的权重/系数,从而了解每个特征如何正面或负面地影响您的目标变量。
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
df
Media Type Eng_as_%_of_Followers Hour_Created Day_of_Week
0 0 Video 0.0136 23 Tuesday
1 1 Video 0.0163 22 Wednesday
2 2 Video 0.0163 22 Tuesday
3 3 Video 0.0196 22 Friday
4 4 Video 0.0179 20 Thursday
5 5 Photo 0.0087 14 Wednesday
df["Hour_Created"] = df["Hour_Created"].astype(str)
df["Interaction"] = df["Hour_Created"] + "_" +df["Day_of_Week"]
X = df.drop("Eng_as_%_of_Followers", axis=1)
Y = df["Eng_as_%_of_Followers"]
X_encoded = pd.get_dummies(X)
X_train, X_test, y_train, y_test = train_test_split(
X_encoded, Y, test_size=0.33, random_state=42)
reg = LinearRegression().fit(X_train, y_train)
coef_dict = dict(zip(X_encoded.columns, reg.coef_))
coef_dict
{'Day_of_Week_Friday': 0.0012837455830388678,
'Day_of_Week_Thursday': 0.0007424028268551229,
'Day_of_Week_Tuesday': -0.0008084805653710235,
'Day_of_Week_Wednesday': -0.0012176678445229678,
'Hour_Created_14': -0.0012176678445229678,
'Hour_Created_20': 0.0007424028268551229,
'Hour_Created_22': 0.0004752650176678456,
'Hour_Created_23': 0.0,
'Interaction_14_Wednesday': -0.0012176678445229678,
'Interaction_20_Thursday': 0.0007424028268551229,
'Interaction_22_Friday': 0.0012837455830388678,
'Interaction_22_Tuesday': -0.0008084805653710235,
'Interaction_22_Wednesday': 0.0,
'Interaction_23_Tuesday': 0.0,
'Media': -0.0008844522968197866,
'Type_Photo': -0.0012176678445229708,
'Type_Video': 0.0012176678445229685}
当然,这里的结果可能不是很有趣,因为我只处理了 6 个数据点。
回答您的问题
您可以了解
y_intercept
使用reg.intercept_
是的,您可以为 x 插入新值并使用 获取目标变量
reg.predict(x)
,其中 x 是您的新输入。OLS
由和完成的回归sklearn
是一回事。OLS 只不过是解决我们在回归中遇到的优化问题的一种方法。
希望这可以帮助!
推荐阅读
- telecommunication - 什么是ss7中称为数字的sccp?
- docker - Docker Image Ubuntu 20.04 输入 stty:“标准输入”:设备的 ioctl 不合适
- python - 用 Turtle 绘制辐射圆形梯形图案
- sails.js - 将 Ltijs 集成到现有的 Sails 应用程序中
- decimal - 哈佛马克 1 个十进制数字
- r - R包中加载的全局变量
- sql-server - 更新存储在 SQL Server 更新中的 XML 列中的 XML
- jquery - 将本地存储的图像上传到服务器,无需插件文件传输cordova
- javascript - Node vs React:通用javascript模块中的函数
- python - 我可以通过 django 视图访问装饰器中的上下文对象吗