Python 带Scikitlearn的MLP:人工神经网络在预测中的应用
我有交通数据,我想通过向模型显示这些输入来预测下一个小时的车辆数量:这个小时的车辆数量和这个小时的平均速度值。 这是我的密码:Python 带Scikitlearn的MLP:人工神经网络在预测中的应用,python,scikit-learn,neural-network,forecast,mlp,Python,Scikit Learn,Neural Network,Forecast,Mlp,我有交通数据,我想通过向模型显示这些输入来预测下一个小时的车辆数量:这个小时的车辆数量和这个小时的平均速度值。 这是我的密码: dataset=pd.read_csv('/content/final - Sayfa5.csv',delimiter=',') dataset=dataset[[ 'MINIMUM_SPEED', 'MAXIMUM_SPEED', 'AVERAGE_SPEED','NUMBER_OF_VEHICLES','1_LAG_NO_VEHICLES']] X = np.ar
dataset=pd.read_csv('/content/final - Sayfa5.csv',delimiter=',')
dataset=dataset[[ 'MINIMUM_SPEED', 'MAXIMUM_SPEED', 'AVERAGE_SPEED','NUMBER_OF_VEHICLES','1_LAG_NO_VEHICLES']]
X = np.array(dataset.iloc[:,1:4])
L = len(dataset)
Y = np.array([dataset.iloc[:,4]])
Y= Y[:,0:L]
Y = np.transpose(Y)
#scaling with MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(X)
X = scaler.transform(X)
scaler.fit(Y)
Y = scaler.transform(Y)
print(X,Y)
X_train , X_test, Y_train, Y_test = train_test_split(X,Y,test_size=0.3)
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error
mlp = MLPRegressor(activation='logistic')
mlp.fit(X_train,Y_train)
predictions = mlp.predict(X_test)
predictions1=mlp.predict(X_train)
print("mse_test :" ,mean_squared_error(Y_test,predictions), "mse_train :",mean_squared_error(Y_train,predictions1))
我得到了良好的mse值,例如mse_测试:0.005467816018933008 mse_序列:0.005072774796622158
但我对两点感到困惑:
[0.08533431 0.1402755 0.19497315]
应该是这样的[81115102]
X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min
另见。你可以尝试在事后反向计算预测,但我认为这没有意义
祝贺您使用了
[sklearn的MLPrepressor][1]
,介绍神经网络总是一件好事
缩放输入数据对于神经网络至关重要。考虑复习。这一点在本文中也有详细介绍。简单地说,缩放输入数据非常关键,这样您的模型就可以了解如何以输出为目标
在英语中,这种情况下,scaling
表示将数据转换为0和1之间的值(包括)。这方面的一个好例子描述了缩放方面的差异。对于最小-最大缩放,您保持数据的相同分布,包括对异常值敏感。在sklearn
中确实存在更健壮的方法(在那篇文章中描述),例如
以这样一个非常基本的数据集为例:
| Feature 1 | Feature 2 | Feature 3 | Feature 4 | Feature 5 | Target |
|:---------:|:---------:|:---------:|:---------:|:---------:|:------:|
| 1 | 17 | 22 | 3 | 3 | 53 |
| 2 | 18 | 24 | 5 | 4 | 54 |
| 1 | 11 | 22 | 2 | 5 | 96 |
| 5 | 20 | 22 | 7 | 5 | 59 |
| 3 | 10 | 26 | 4 | 5 | 66 |
| 5 | 14 | 30 | 1 | 4 | 63 |
| 2 | 17 | 30 | 9 | 5 | 93 |
| 4 | 5 | 27 | 1 | 5 | 91 |
| 3 | 20 | 25 | 7 | 4 | 70 |
| 4 | 19 | 23 | 10 | 4 | 81 |
| 3 | 13 | 8 | 19 | 5 | 14 |
| 9 | 18 | 3 | 67 | 5 | 35 |
| 8 | 12 | 3 | 34 | 7 | 25 |
| 5 | 15 | 6 | 12 | 6 | 33 |
| 2 | 13 | 2 | 4 | 8 | 21 |
| 4 | 13 | 6 | 28 | 5 | 46 |
| 7 | 17 | 7 | 89 | 6 | 21 |
| 4 | 18 | 4 | 11 | 8 | 5 |
| 9 | 19 | 7 | 21 | 5 | 30 |
| 6 | 14 | 6 | 17 | 7 | 73 |
我可以稍微修改您的代码来处理此问题:
import pandas as pd, numpy as np
from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import RobustScaler
from sklearn.metrics import mean_squared_error
df = pd.read_clipboard()
# Build data
y = df['Target'].to_numpy()
scaled_y = df['Target'].values.reshape(-1, 1) #returns a numpy array
df.drop('Target', inplace=True, axis=1)
X = df.to_numpy()
#scaling with RobustScaler
scaler = RobustScaler()
X = scaler.fit_transform(X)
# Scaling y just to show you the difference
scaled_y = scaler.fit_transform(scaled_y)
# Set random_state so we can replicate results
X_train , X_test, y_train, y_test = train_test_split(X,y,test_size=0.2, random_state=8)
scaled_X_train , scaled_X_test, scaled_y_train, scaled_y_test = train_test_split(X,scaled_y,test_size=0.2, random_state=8)
mlp = MLPRegressor(activation='logistic')
scaled_mlp = MLPRegressor(activation='logistic')
mlp.fit(X_train, y_train)
scaled_mlp.fit(scaled_X_train, scaled_y_train)
preds = mlp.predict(X_test)
scaled_preds = mlp.predict(scaled_X_test)
for pred, scaled_pred, tar, scaled_tar in zip(preds, scaled_preds, y_test, scaled_y_test):
print("Regular MLP:")
print("Prediction: {} | Actual: {} | Error: {}".format(pred, tar, tar-pred))
print()
print("MLP that was shown scaled labels: ")
print("Prediction: {} | Actual: {} | Error: {}".format(scaled_pred, scaled_tar, scaled_tar-scaled_pred))
简而言之,缩小目标会自然缩小误差,因为您的模型没有学习实际值,而是学习0到1之间的值。
这就是为什么我们不缩放我们的目标变量,因为误差自然较小,因为我们将值强制放入0…1
空间。一个经典的缩放不变度量是平均绝对缩放误差,它是专为预测方法设计的:非常有启发性,谢谢!我有点困惑,但现在我看得更清楚了。准确度、F1分数、召回率和精确度适用于分类,而不是回归模型。我认为@blacksite建议的MASE是一个更好的建议谢谢!还没喝过早咖啡哈哈,混乱矩阵只适用于分类。这是一个完美的解释。我真的很感谢你的时间和努力。关于第二部分,你是对的。数据集值变化不大,所以我最好不要缩放它们。我现在明白了。我希望你有一个完美的一天@史蒂文·巴纳德(Stevenbarnard)作为旁注:通常滞后变量意味着查看前一个周期。当变量的命名正确时,y应该是dataset.iloc[3]
。谢谢你的纠正学习这样的新事物是非常令人兴奋的!我非常感谢你!:)我正在努力。实际上,我的数据集变化不大,但也与您的示例类似。所以我会试试看结果!祝你有一个完美的一天!当然如果你觉得这回答了你的问题,请随意接受我的答案,这样其他人也可以使用它。
import pandas as pd, numpy as np
from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import RobustScaler
from sklearn.metrics import mean_squared_error
df = pd.read_clipboard()
# Build data
y = df['Target'].to_numpy()
scaled_y = df['Target'].values.reshape(-1, 1) #returns a numpy array
df.drop('Target', inplace=True, axis=1)
X = df.to_numpy()
#scaling with RobustScaler
scaler = RobustScaler()
X = scaler.fit_transform(X)
# Scaling y just to show you the difference
scaled_y = scaler.fit_transform(scaled_y)
# Set random_state so we can replicate results
X_train , X_test, y_train, y_test = train_test_split(X,y,test_size=0.2, random_state=8)
scaled_X_train , scaled_X_test, scaled_y_train, scaled_y_test = train_test_split(X,scaled_y,test_size=0.2, random_state=8)
mlp = MLPRegressor(activation='logistic')
scaled_mlp = MLPRegressor(activation='logistic')
mlp.fit(X_train, y_train)
scaled_mlp.fit(scaled_X_train, scaled_y_train)
preds = mlp.predict(X_test)
scaled_preds = mlp.predict(scaled_X_test)
for pred, scaled_pred, tar, scaled_tar in zip(preds, scaled_preds, y_test, scaled_y_test):
print("Regular MLP:")
print("Prediction: {} | Actual: {} | Error: {}".format(pred, tar, tar-pred))
print()
print("MLP that was shown scaled labels: ")
print("Prediction: {} | Actual: {} | Error: {}".format(scaled_pred, scaled_tar, scaled_tar-scaled_pred))