我有一个df,需要在接下来的7天中每天预测因变量(数字)。 train
数据类似于:
df.head()
Date X1 X2 X3 Y
2004-11-20 453.0 654 989 716 # row 1
2004-11-21 716.0 878 886 605
2004-11-22 605.0 433 775 555
2004-11-23 555.0 453 564 680
2004-11-24 680.0 645 734 713
具体来说,对于第1行中的日期2004-11-20
,我需要接下来7天中的每一天的Y
预测值,而不仅仅是当前日期(变量Y
),并且考虑到要预测从2004-11-20
开始的第5天,我将不会从2004-11-20
开始获得接下来4天的数据。
我一直在考虑创建另外7个变量("Y+1day"
,"Y+2day
”等)的想法,但是由于机器学习技术只会回归,我每天都需要创建一个训练df一个变量作为输出。有没有更简单的方法?
我正在使用skikit-learn库进行建模。
答案 0 :(得分:1)
您绝对可以训练模型来预测sklearn
中的多个输出。 pandas
非常灵活。在下面的示例中,我将您的Date列转换为datetime索引,然后使用shift
实用程序获取更多Y值。
import io
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
# Read from stackoverflow artifacts
s = """Date X1 X2 X3 Y
2004-11-20 453.0 654 989 716
2004-11-21 716.0 878 886 605
2004-11-22 605.0 433 775 555
2004-11-23 555.0 453 564 680
2004-11-24 680.0 645 734 713"""
text = io.StringIO(s)
df = pd.read_csv(text, sep='\\s+')
# Datetime index
df["Date"] = pd.to_datetime(df["Date"], format="%Y/%m/%d")
df = df.set_index("Date")
# Shifting for Y@Day+N
df['Y1'] = df.shift(1)['Y'] # One day later
df['Y2'] = df.shift(2)['Y'] # Two...
我们必须估算或放弃使用shift时产生的NaN。希望在大型数据集中仅在时间范围的边缘导致插补或丢弃数据。例如,如果您想转移7天,则数据集将损失7天,具体取决于数据的结构和转移方式。
df.dropna(inplace=True) # Drop two rows
train, test = train_test_split(df)
# Get two training rows
trainX = train.drop(["Y", "Y1", "Y2"], axis=1)
trainY = train.drop(["X1", "X2", "X3"], axis=1)
# Get the test row
X = test.drop(["Y", "Y1", "Y2"], axis=1)
Y = test.drop(["X1", "X2", "X3"], axis=1)
现在,我们可以从sklearn实例化分类器并进行预测。
from sklearn.linear_model import LinearRegression
clf = LinearRegression()
model = clf.fit(trainX, trainY)
model.predict(X) # Array of three numbers
model.score(X, Y) # Predictably abysmal score
使用sklearn版本0.20.1
,这些对我来说一切正常。当然,现在我从中得到了一个可怕的分数结果,但是模型确实进行了训练,并且预测方法确实为每个Y列返回了预测,分数方法返回了分数。