预测使用sklearn的RandomForestRegressor

Question

可能是一个非常愚蠢的问题，所以对我来说很容易，但在这里我去。

因此，这里就是我的数据看起来像......

date,locale,category,site,alexa_rank,sessions,user_logins 
20170110,US,1,google,1,500,5000 
20170110,EU,1,google,2,400,2000 
20170111,US,2,facebook,2,400,2000 

...等等。这只是我提出的一个玩具数据集，但它类似于原始数据。

我试图建立一个模型来预测使用sklearn的RandomForestRegressor有多少用户登录和会话特定的网站会有。

我做了一些常见的事情，将标签编码为标签，我在一年的头八个月训练了我的模型，现在我想预测第九个月的登录和会话。我创建了一个训练登录的模型，另一个训练了会话。

我的测试数据集是一样的形式：

date,locale,category,site,alexa_rank,sessions,user_logins 
20170910,US,1,google,1,500,5000 
20170910,EU,1,google,2,400,2000 
20170911,US,2,facebook,2,400,2000 

理想情况下，我想在测试数据集通过不我需要预测列，但RandomForestRegressor抱怨尺寸作为之间的不同培训和测试集。

当我通过测试数据集，其目前的形式，该模型预测在大多数情况下，确切值在sessions和user_logins列和值，否则微小的变化。

我对测试数据中的sessions和user_logins列进行了清零并将其传递给模型，但该模型预测了几乎所有的零。

• 我的工作流是否正确？我正确使用RandomForestRegressor吗？
• 当我的测试数据集包含实际值时，我如何接近实际值？测试数据中的实际值是否用于预测？
• 如果模型能够正常工作，如果我将要预测的列清零（sessions和user_logins），我是否应该得到相同的预测值？

Answer 1

您不应该在测试数据中传递想要预测的列。你的工作流程不正确。

如果X是一组的，你掌握的信息， 如果y是一组要预测信息的列的列， 那么你应该在培训期间通过（X_train，y_train）（使用方法fit）和（X_test）仅在测试过程中（使用方法predict）。您将获得y_pred，如果有的话，您可以与y_test进行比较。

在您的例子，如果你想预测user_logins：

X_train = array([['20170110', 'US', '1', 'google', '1', '500'], 
       ['20170110', 'EU', '1', 'google', '2', '400'], 
       ['20170111', 'US', '2', 'facebook', '2', '400']], 
       dtype='<U21') 
y_train = array(['5000', '2000', '2000'], dtype='<U21') 

X_test = array([['20170112', 'EU', '2', 'google', '1', '500'], 
       ['20170113', 'US', '1', 'facebook', '2', '400'], 
       ['2017014', 'US', '2', 'google', '1', '500']], 
       dtype='<U21') 

estimator = RandomForestRegressor().fit(X_train, y_train) 
y_pred = estimator.predict(X_test) 

看看在documentation更多的例子，或在tutorials。