Question

我有：

3维基百科文章访问次数（每周）（A-B-C）
地面实况数据（每周）
总维基百科英文文章流量计数（每周）

我的目的是，使用 3维基百科文章访问计数构建多元线性回归，并尝试预测未来基础事实数据。

在开始构建多元线性回归之前，我想对我的3维基百科访问计数数据进行一些预处理（规范化或缩放）。

我的数据格式是这样的。

    date     | A (x1)     | B (x2)  |  C (x3) | total_en     | ground truth(y)

 01/01/2008  |   5611     |   606   |    376  |  1467923911  | 3.13599886
 08/01/2008  |   8147     |   912   |    569  |  1627405409  | 2.53335614
 15/01/2008  |   9809     |   873   |    597  |  1744099880  | 2.91287713
 22/01/2008  |   12020    |   882   |    600  |  1804646235  | 3.44497102  
 ...         |    ...     |   ...   |    ...  |    ...       | ...

如果没有规范化，我会像这样建立多元线性回归。

wiki3.shape =（150,3）//包含带有numpy数组的A-B-C文章

ground_truth =（150,1）//在numpy数组中包含地面实况数据

X_train, X_test, y_train, y_test = cross_validation.train_test_split(wiki3, ground_truth, test_size=0.3, random_state=1)

model = linear_model.LinearRegression()
model.fit(X_train, y_train)

predictions = model.predict(X_test)

我的问题是为了获得更好的结果如何规范化/缩放我的x1，x2，x3和y数据？

我应该使用英语文章总流量来规范每篇文章，还是应该采用其他方式？

对于时间序列，K-Fold交叉验证是否合理？

感谢。

Answer 1

要扩展数据，您可以使用sklearn.preprocessing.scale。如果date是index，它就像wiki3_scaled = scale(wiki3)一样简单（如果没有，那么date也会被缩放，你很可能不会这样做要）。

使用total_en进行规范化是一项建模决策。如果您有理由相信A / total_en是一个比A更好的功能，那就去吧。更好的是，尝试两者。

如果您尝试从当天ground truth，A和B预测C，那么它不是真正的时间 - 系列问题和k-fold交叉验证肯定是明智的。如果您尝试预测今天的ground truth来自A，B，C，ground truth，并且可能相应的滞后变量，然后我不明白你为什么不能交叉验证;只需要小心设置，以便训练历史并对未来进行交叉验证。

您可以在Cross Validated上获得关于这些建模决策的更好答案，因为StackOverFlow更注重编程。

归一化时间序列 - Scikit

1 个答案: