Python 防止随机森林回归器数据泄漏的建议
我目前得到的精度和f1测量值均为1.00。我怀疑这是数据泄露的结果 我正在寻找尽可能减少数据泄漏的技巧 谢谢 下面是我的python脚本:Python 防止随机森林回归器数据泄漏的建议,python,pandas,dataframe,scikit-learn,random-forest,Python,Pandas,Dataframe,Scikit Learn,Random Forest,我目前得到的精度和f1测量值均为1.00。我怀疑这是数据泄露的结果 我正在寻找尽可能减少数据泄漏的技巧 谢谢 下面是我的python脚本: import pandas as pd import numpy as np # Other imports here from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import classification_report from sklearn.me
import pandas as pd
import numpy as np
# Other imports here
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import classification_report
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
dataset = pd.read_csv("weather.csv")
print(len(dataset))
dataset = pd.get_dummies(dataset, columns=["Date", "Location", "WindGustDir", "WindDir9am", "WindDir3pm",])
dataset["RainToday"] = dataset["RainToday"].map({'Yes': 1, 'No': 0})
dataset["RainTomorrow"] = dataset["RainTomorrow"].map({'Yes': 1, 'No': 0})
dataset.dropna(inplace=True)
dataset = dataset.rename_axis(None)
X = dataset.drop('RainTomorrow', axis=1)
y = dataset['RainTomorrow']
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.20, random_state=216037514)
classifier = RandomForestRegressor(n_estimators = 200, random_state = 216037514)
classifier.fit(X_train,y_train)
y_pred = classifier.predict(X_test)
print("Report:\n", classification_report(y_test,y_pred))
print("Accuracy: ", accuracy_score(y_test,y_pred))
目前的结果:
142193
Report:
precision recall f1-score support
0 1.00 1.00 1.00 9026
1 1.00 1.00 1.00 2592
micro avg 1.00 1.00 1.00 11618
macro avg 1.00 1.00 1.00 11618
weighted avg 1.00 1.00 1.00 11618
Accuracy: 1.0
数据泄漏的来源:
数据泄漏可能会导致您创建过于乐观(如果不是完全无效的话)的预测模型
假设这是一个真实的数据集,分类分数为1.0是不现实的。因此,数据泄漏似乎是一个合理的解释
上述来源建议了两种防止数据泄漏的通用技术:
- 是否有重复的行?您不需要重复的行。他们完全违背了交叉验证的目的,坚持了一套
- 是否存在重复列?有些算法不喜欢共线变量,您不希望目标变量潜入特征变量
- 功能中是否有任何不应该出现的信息?例如,如果今天预测明天下雨,那么今天就不应该有明天不可用的信息
- 行是否不独立?或
- 数据在组内是否存在相关性?如果是,请确保每组都在测试集中或列车集中,但决不能同时在两个集中。Scikit learn具有这样的功能,例如。组可以以许多奇怪的方式进入数据集;例如重复测量、改变测量设备/方法、在时间或空间上接近的测量等
- 随机洗牌包含目标变量的列。在处理链中尽早执行此操作(即修改.csv文件,或在构建列后立即执行此操作)。确保只有该列被洗牌
我亲切地称之为垃圾测试。它将数据变成垃圾,这几乎是有道理的。如果模型仍然给出“良好”的结果,请查找代码或概念中的错误。您能否给出列
RainToday
和RainToday
的示例?是否显示了4种配置Yes/Yes
、No/No
、Yes/No
和No/Yes
?是否为时间序列数据集?如果是这样,您的问题在于列车测试分割部分