Python 神经网络与随机森林绩效差异

我想用Pytork做一些神经网络实验，所以我试了一个简单的热身练习，结果我不太清楚

本练习试图从变量数量、最大子句长度等问题的各种统计数据中预测1000个TPTP问题的评级。数据文件非常简单，1000行，最后一列是评级，从大约几十个输入列开始，所有数字都缩放到0-1的范围，我逐步删除了一些特性，看看结果是否仍然有效，它确实有效，一直到一个输入列；其他版本在Git历史中的早期版本中

我开始使用单独的训练集和测试集，但暂时将测试集放在一边，因为关于训练性能是否可以推广到测试的问题，在首先获得训练性能之前不会出现

该数据集上的简单线性回归的均方误差约为0.14

我实现了一个简单的前馈神经网络，代码如下，经过几百次训练后，其均方误差为0.14

因此，我尝试将隐藏层的数量从1改为2改为3，使用一些不同的优化器，调整学习速度，将激活函数从relu改为tanh改为两者的混合，将历元数增加到5000，将隐藏单元数增加到1000。在这一点上，它应该能够轻松地记住整个数据集。（在这一点上，我并不担心过度拟合。我只是想让训练数据的均方误差不是0.14。）没有任何区别。仍然是0.14。我会说它一定是陷入了局部最优，但当你有几百万个权重时，这是不应该发生的；对于所有参数，同时处于局部最优几乎是不可能的。每次跑步我都会得到稍微不同的数字序列。但它总是收敛到0.14

现在一个明显的结论是0.14对于这个问题来说是最好的，除了它保持不变，即使网络有足够的内存来存储所有的数据。但关键是我还尝试了一个随机森林

。。。在原始数据集上，随机森林的均方误差为0.01，随着特征的删除，均方误差逐渐降低，而在只有一个特征的数据上，均方误差仍为0.05

在机器学习的知识中，没有任何地方说“随机森林的表现远远优于神经网络”，所以我想必是做错了什么，但我看不出它是什么。也许这很简单，只是少了一面旗帜，或者你需要在PyTorch中设置一些东西。如果有人能看一下，我将不胜感激

import numpy as np
import pandas as pd
import torch
import torch.nn as nn

# data
df = pd.read_csv("test.csv")
print(df)
print()

# separate the output column
y_name = df.columns[-1]
y_df = df[y_name]
X_df = df.drop(y_name, axis=1)

# numpy arrays
X_ar = np.array(X_df, dtype=np.float32)
y_ar = np.array(y_df, dtype=np.float32)

# torch tensors
X_tensor = torch.from_numpy(X_ar)
y_tensor = torch.from_numpy(y_ar)

# hyperparameters
in_features = X_ar.shape[1]
hidden_size = 100
out_features = 1
epochs = 500

# model
class Net(nn.Module):
    def __init__(self, hidden_size):
        super(Net, self).__init__()
        self.L0 = nn.Linear(in_features, hidden_size)
        self.N0 = nn.ReLU()
        self.L1 = nn.Linear(hidden_size, hidden_size)
        self.N1 = nn.Tanh()
        self.L2 = nn.Linear(hidden_size, hidden_size)
        self.N2 = nn.ReLU()
        self.L3 = nn.Linear(hidden_size, 1)

    def forward(self, x):
        x = self.L0(x)
        x = self.N0(x)
        x = self.L1(x)
        x = self.N1(x)
        x = self.L2(x)
        x = self.N2(x)
        x = self.L3(x)
        return x


model = Net(hidden_size)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.1)

# train
print("training")
for epoch in range(1, epochs + 1):
    # forward
    output = model(X_tensor)
    cost = criterion(output, y_tensor)

    # backward
    optimizer.zero_grad()
    cost.backward()
    optimizer.step()

    # print progress
    if epoch % (epochs // 10) == 0:
        print(f"{epoch:6d} {cost.item():10f}")
print()

output = model(X_tensor)
cost = criterion(output, y_tensor)
print("mean squared error:", cost.item())

---

你能把输入的形状打印出来吗？ 我想先检查一下这些东西：

• 你的目标y的形状是

  （-1，1）

  ，我不知道pytorch在这种情况下是否会抛出错误。您可以使用

  y.reforme（-1，1）

  ，如果它不是2 dim
• 你的学习率很高。通常在使用Adam时，默认值足够好，或者只是尝试降低您的学习率。0.1对于学习率来说是一个很高的值
• 将optimizer.zero_grad放在for循环内的第一行
• 规范化/标准化数据（这通常对NNs有好处）
• 删除数据中的异常值（我的意见：我认为这不会对随机林造成太大影响，但会严重影响NNs）
• 使用交叉验证（也许skorch可以在这里帮助您。这是pytorch的scikit学习包装器，如果您了解keras，它很容易使用）

---

请注意，在某些情况下，随机森林回归器或任何其他回归器都可以优于神经网络。在某些领域，神经网络是HERO（图像分类）或NLP（自然语言处理），但您需要知道，简单的回归算法可以胜过它们。通常是当您的数据不够大时。

您可以打印输入的形状吗？ 我想先检查一下这些东西：

• 你的目标y的形状是

  （-1，1）

  ，我不知道pytorch在这种情况下是否会抛出错误。您可以使用

  y.reforme（-1，1）

  ，如果它不是2 dim
• 你的学习率很高。通常在使用Adam时，默认值足够好，或者只是尝试降低您的学习率。0.1对于学习率来说是一个很高的值
• 将optimizer.zero_grad放在for循环内的第一行
• 规范化/标准化数据（这通常对NNs有好处）
• 删除数据中的异常值（我的意见：我认为这不会对随机林造成太大影响，但会严重影响NNs）
• 使用交叉验证（也许skorch可以在这里帮助您。这是pytorch的scikit学习包装器，如果您了解keras，它很容易使用）

---

请注意，在某些情况下，随机森林回归器或任何其他回归器都可以优于神经网络。在某些领域，神经网络是HERO（图像分类）或NLP（自然语言处理），但您需要知道，简单的回归算法可以胜过它们。通常是当你的数据不够大时。

随机森林可以胜过神经网络！当然可以。即使是简单的回归也能胜过神经网络。如果您没有大数据集或许多特征，那么使用随机林的回归肯定会优于神经网络。随机林可以优于神经网络！当然可以。即使是简单的回归也能胜过神经网络。如果你没有大的数据集或许多特征，那么使用随机森林进行回归肯定会比神经网络的性能更好。在其前面加上

y\u ar.reformate（-1，1）

会使打印的形状保持不变，同时程序的性能也会保持不变