- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在使用分类输出(通过/失败:二进制 1 或 0)和大约 200 个特征进行预测建模练习。我有大约 35 万个训练示例,但如果需要,我可以增加数据集的大小。以下是我遇到的一些问题:
1- 我正在处理严重不平衡的类别。在这 350K 个示例中,只有 2K 被标记为“失败”(即分类输出 = 1)。我该如何解释这一点?我知道有几种技术,例如使用 Bootstrap 进行上采样;
2- 我的大部分特征(~ 95%)都是分类的(例如城市、语言等),每个特征的级别少于 5-6 个。我是否需要将它们转换为每个功能级别的二进制数据?例如,如果特征“城市”有纽约、巴黎和巴塞罗那3个级别,那么我可以将其转换为3个二元特征:city_New_york、city_Paris和city_Barcelona;
3 - 选择模型本身:我正在考虑一些模型,例如 SVM、K-neighbors、决策树、随机森林、逻辑回归,但我的猜测是随机森林会更合适这是因为有大量的分类特征。有什么建议吗?
4 - 如果我使用随机森林,我是否需要(a)对连续变量进行特征缩放(我猜不需要),(b)将连续变量更改为二进制,如在上面的问题 2 中进行了解释(我猜不是),(c) 解释我严重不平衡的类别,(d) 删除缺失值。
最佳答案
它有助于使用平衡类进行训练(但不要与它们进行交叉验证)RF 对于数据的效率出奇地高,因此您可能不需要所有 350k 负样本来进行训练。通过从该池中进行放回抽样来选择相同数量的正例。不过,不要忘记留下一些积极的例子进行验证。
如果您使用 scikit-learn,请使用 pandas 的 df.get_dummies() 生成二进制编码。 R 为作为因子的变量进行二进制编码。它在幕后生成一个位向量。
我总是从 RF 开始,因为旋钮很少,这是一个很好的基准。在理清我的特征转换并提高 AUC 后,我尝试了其他方法。
a) 否 b) 否 c) 是 d) 是,需要以某种方式修复。如果您可以在任何预测变量缺失值的情况下删除数据,那就太好了。然而,如果这是不可能的,中位数是一个常见的选择。假设正在构建一棵树,并选择变量 X4 进行分割。 RF需要选择一条线上的一个点并将所有数据发送到左侧或右侧。对于 X4 没有值(value)的数据应该做什么?这是策略 'randomForest' package接受 R:
For numeric variables, NAs are replaced with column medians. For factor variables, NAs are replaced with the most frequent levels (breaking ties at random). If object contains no NAs, it is returned unaltered.
关于machine-learning - 随机森林和预测建模的数据准备,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29702890/
我正在使用 R 预测包拟合模型,如下所示: fit <- auto.arima(df) plot(forecast(fit,h=200)) 打印原始数据框和预测。当 df 相当大时,这
我正在尝试预测自有住房的中位数,这是一个行之有效的例子,给出了很好的结果。 https://heuristically.wordpress.com/2011/11/17/using-neural-ne
type="class"函数中的type="response"和predict有什么区别? 例如: predict(modelName, newdata=testData, type = "class
我有一个名为 Downloaded 的文件夹,其中包含经过训练的 CNN 模型必须对其进行预测的图像。 下面是导入图片的代码: import os images = [] for filename i
关于预测的快速问题。 我尝试预测的值是 0 或 1(它设置为数字,而不是因子),因此当我运行随机森林时: fit , data=trainData, ntree=50) 并预测: pred, data
使用 Python,我尝试使用历史销售数据来预测产品的 future 销售数量。我还试图预测各组产品的这些计数。 例如,我的专栏如下所示: Date Sales_count Department It
我是 R 新手,所以请帮助我了解问题所在。我试图预测一些数据,但预测函数返回的对象(这是奇怪的类(因子))包含低数据。测试集大小为 5886 obs。 160 个变量,当预测对象长度为 110 时..
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭 6 年前。 Improve this qu
下面是我的神经网络代码,有 3 个输入和 1 个隐藏层和 1 个输出: #Data ds = SupervisedDataSet(3,1) myfile = open('my_file.csv','r
我正在开发一个 Web 应用程序,它具有全文搜索功能,可以正常运行。我想对此进行改进并向其添加预测/更正功能,这意味着如果用户输入错误或结果为 0,则会查询该输入的更正版本,而不是查询结果。基本上类似
我对时间序列还很陌生。 这是我正在处理的数据集: Date Price Location 0 2012-01-01 1771.0
我有许多可变长度的序列。对于这些,我想训练一个隐马尔可夫模型,稍后我想用它来预测(部分)序列的可能延续。到目前为止,我已经找到了两种使用 HMM 预测 future 的方法: 1) 幻觉延续并获得该延
我正在使用 TensorFlow 服务提供初始模型。我在 Azure Kubernetes 上这样做,所以不是通过更标准和有据可查的谷歌云。 无论如何,这一切都在起作用,但是我感到困惑的是预测作为浮点
我正在尝试使用 Amazon Forecast 进行一些测试。我现在尝试了两个不同的数据集,它们看起来像这样: 13,2013-03-31 19:25:00,93.10999 14,2013-03-3
使用 numpy ndarray大多数时候我们不需要担心内存布局的问题,因为结果并不依赖于它。 除非他们这样做。例如,考虑这种设置 3x2 矩阵对角线的稍微过度设计的方法 >>> a = np.zer
我想在同一个地 block 上用不同颜色绘制多个预测,但是,比例尺不对。我对任何其他方法持开放态度。 可重现的例子: require(forecast) # MAKING DATA data
我正在 R 中使用 GLMM,其中混合了连续变量和 calcategories 变量,并具有一些交互作用。我使用 MuMIn 中的 dredge 和 model.avg 函数来获取每个变量的效果估计。
我能够在 GUI 中成功导出分类器错误,但无法在命令行中执行此操作。有什么办法可以在命令行上完成此操作吗? 我使用的是 Weka 3.6.x。在这里,您可以右键单击模型,选择“可视化分类器错误”并从那
我想在同一个地 block 上用不同颜色绘制多个预测,但是,比例尺不对。我对任何其他方法持开放态度。 可重现的例子: require(forecast) # MAKING DATA data
我从 UCI 机器学习数据集库下载了一个巨大的文件。 (~300mb)。 有没有办法在将数据集加载到 R 内存之前预测加载数据集所需的内存? Google 搜索了很多,但我到处都能找到如何使用 R-p
我是一名优秀的程序员,十分优秀!