python - 使用星期几、一天中的小时数和媒体类型创建回归模型？

Question

在 Jupyter 笔记本中使用 Python 3。我正在尝试创建一个回归模型(方程式？)来预测 Eng as % of Followers 变量。我将获得 媒体类型、创建时间 和星期几。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

我已经使用 pd.get_dummies 创建了 dummy variables，但我不确定我做的是否正确 - 问题特别在于 Hour Created 变量。它们是数字，但我希望将它们视为类别。例如，第 22 小时可能会提高性能，但这不应该暗示第 21 或 23 小时的任何事情。

我也很好奇我是否可以在 Day of Week 和 Hour Created 之间的交互中加入我的模型因素(也许 Hour 22 在大多数日子里都是一个提升，但是 22-Friday 会导致下降)就像我看到的 patsy 一样......但这可能是我变得贪婪了。

以下是我创建虚拟变量的方式，这让我可以解决将 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创建时间的问题，那将是一个很好的开始......然后，不确定从那里去哪里。我见过人们在这种情况下使用 ols 函数。或者来自 sklearn 的 linear_model。我正在为如何解释其中任何一个的结果而苦苦挣扎，尤其是为如何将这 3 个独立变量的数据框插入该模型而苦苦挣扎。如果有人可以提出建议，我会尝试执行。

编辑:包括我尝试创建此模型的几种方法。这是第一个，我认为它错误地使用了我的小时数据。由于我传递给它的数据框甚至没有 Eng as % of Followers 作为列标题，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，出现无效语法错误。我尝试了不同的变体但无济于事。

fit1 = ols('Eng as % of Followers ~ C(Day of Week) + C(Hour Created) + C(Media Type)', data=Training).fit() 

Answer 1

1. 确保您正确执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，您希望将 Hour Created 视为分类，尽管它本质上是数字，因此最好在进行虚拟编码之前将它们转换为字符串。

2. 为了捕获Day of Week 和Hour Created 之间的交互，进行特征工程并通过乘以Day of Week 和 Hour Created 并将其作为输入提供给您的模型。

3. 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对您的目标变量产生正面或负面影响。

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。

回答你的问题

1. 您可以使用 reg.intercept_

   找出 y_intercept

2. 是的，您可以为 x 插入新值并使用 reg.predict(x) 获取目标变量，其中 x 是您的新输入。

3. 由 OLS 和 sklearn 完成的回归是一个和 same 。 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。