Scikit learn 时间序列回归-随机森林

为这些愚蠢的问题道歉-这里的总数为n00b

假设我有以下数据集

date,site,category,locale,type,rank,sessions,logins
01/01/2017,google.com,search,US,free,1,3393093,50000
01/01/2017,google.com,overall,US,free,1,3393093,50000
01/01/2017,yahoo.com,search,US,3,free,core,393093,40000
01/01/2017,yahoo.com,news,US,9,free,393093,40000
01/01/2017,yahoo.com,overall,US,23,free,393093,40000
01/01/2017,wsj.com,news,US,21,free,200000,180000
01/01/2017,wsj.com,news,US,21,subscription,200000,180000
01/01/2017,wsj.com,overall,US,93,free,200000,180000

其中rank是该站点的Alexa排名。可能有几个类别（搜索、电子邮件、电子商务等），排名与该类别中的排名相对应

我试图预测特定站点/地区/排名在特定日期的会话和登录次数，基本上将其归结为多元时间序列回归问题，我正在使用sklearn的RandomForestRegressor

现在我根本不把这当作一个时间序列问题——为了培训，我删除了

日期

和

站点

列，对

类别

、

地区

和

排名

列进行编码，使用它们和

排名

作为输入，并训练我的模型预测

会话

和

登录

。结果看起来不错，但我想知道：

如何将其转换为适当的时间序列预测？我看到问题被重新定义为有监督的学习问题，但这不起作用，因为我有可能数百万行的训练数据。我可以按类别/区域设置/类型对培训数据进行分组，按日期排序，并在T天对特定类别/区域设置/类型组合进行测试，使用截至T-1天的数据进行培训，但这种方法成本非常高，因为可能有数千种此类类别/区域设置/类型组合

我读过关于使用移动平均来提高性能的文章。在训练集中计算

会话

和

登录

的移动平均值将是微不足道的，但由于这是一个因变量，我如何在测试集中捕获它

对于这项任务，是否有比RF更好的工具

---

我会在链接的博客文章中使用这种方法，如果使用像

shift

这样的向量化numpy操作，数据转换应该不会有问题

---

顺便说一句，如果你忽略了日期，你只是在计算每个组的平均数，也就是说，你在使用一个随机林来构建一个非常奇特的数据透视表；-）

我会在链接的博客文章中使用这种方法，如果使用像

shift

这样的向量化numpy操作，数据转换应该不会有问题

---

顺便说一句，如果你忽略了日期，你只是在计算每个组的平均数，也就是说，你在使用一个随机林来构建一个非常奇特的数据透视表；-）

谢谢，但是

shift

方法需要为每一行创建一列。看到大约有100万行，这将导致超过100万列-我不确定其中的效率你不为每一行做一列，你只需在一个窗口大小内做几个步骤（在链接的博客文章中，他们只为每一行使用上一个时间步）谢谢，但是

shift

方法需要为每一行创建一列。看到大约有100万行，这将导致超过100万列-我不确定其中的效率你不为每一行做一列，你只需在一个窗口大小内做几个步骤（在链接的博客文章中，他们只为每一行使用上一个时间步）