Question

我正在建立一个KNN模型来预测房价。我将仔细研究我的数据和模型，然后是我的问题。

数据-

# A tibble: 81,334 x 4
   latitude longitude close_date          close_price
      <dbl>     <dbl> <dttm>                    <dbl>
 1     36.4     -98.7 2014-08-05 06:34:00     147504.
 2     36.6     -97.9 2014-08-12 23:48:00     137401.
 3     36.6     -97.9 2014-08-09 04:00:40     239105.

模型-

library(caret)
training.samples <- data$close_price %>%
  createDataPartition(p = 0.8, list = FALSE)
train.data  <- data[training.samples, ]
test.data <- data[-training.samples, ]

model <- train(
  close_price~ ., data = train.data, method = "knn",
  trControl = trainControl("cv", number = 10),
  preProcess = c("center", "scale"),
  tuneLength = 10
)

我的问题是时间浪费。我正在使用随后关闭的其他房屋对房屋进行预测，在现实世界中，我不应该获得该信息。

我想对模型应用规则，即对于每个值y，仅使用在该y房屋之前关闭的房屋。我知道我可以在特定日期分割测试数据和火车数据，但这并不能完全做到这一点。

是否可以在caret或knn的其他库（例如class和kknn）中防止这种时间泄漏？

Answer 1

在caret中，createTimeSlices实现了一种适用于时间序列的交叉验证变体（通过滚动预测原点来避免时间泄漏）。文档为here。

在您的情况下，根据您的确切需求，您可以使用类似的方法进行正确的交叉验证：

your_data <- your_data %>% arrange(close_date)

tr_ctrl <- createTimeSlices(
  your_data$close_price, 
  initialWindow  = 10, 
  horizon = 1,
  fixedWindow = FALSE)

model <- train(
  close_price~ ., data = your_data, method = "knn",
  trControl = tr_ctrl,
  preProcess = c("center", "scale"),
  tuneLength = 10
)

编辑：如果您在日期中有联系，并且希望在测试和训练集中的同一天完成交易，则可以在tr_ctrl中使用train之前对其进行修复：

filter_train <- function(i_tr, i_te) {
  d_tr <- as_date(your_data$close_date[i_tr]) #using package lubridate
  d_te <- as_date(your_data$close_date[i_te])
  tr_is_ok <- d_tr < min(d_te)

  i_tr[tr_is_ok]
}

tr_ctrl$train <- mapply(filter_train, tr_ctrl$train, tr_ctrl$test)

如何避免在KNN模型中浪费时间？

1 个答案: