跳至主要内容
Ctrl+K
scikit-learn homepage scikit-learn homepage
  • 安装
  • 用户指南
  • API
  • 示例
  • 社区
    • 入门
    • 发行历史
    • 术语表
    • 开发
    • 常见问题
    • 支持
    • 相关项目
    • 路线图
    • 治理
    • 关于我们
  • GitHub
  • 安装
  • 用户指南
  • API
  • 示例
  • 社区
  • 入门
  • 发行历史
  • 术语表
  • 开发
  • 常见问题
  • 支持
  • 相关项目
  • 路线图
  • 治理
  • 关于我们
  • GitHub

章节导航

  • 发行亮点
    • scikit-learn 1.6 发行亮点
    • scikit-learn 1.5 发行亮点
    • scikit-learn 1.4 发行亮点
    • scikit-learn 1.3 发行亮点
    • scikit-learn 1.2 发行亮点
    • scikit-learn 1.1 发行亮点
    • scikit-learn 1.0 发行亮点
    • scikit-learn 0.24 发行亮点
    • scikit-learn 0.23 发行亮点
    • scikit-learn 0.22 发行亮点
  • 双聚类
    • 谱双聚类算法演示
    • 谱共聚类算法演示
    • 使用谱共聚类算法对文档进行双聚类
  • 校准
    • 分类器校准比较
    • 概率校准曲线
    • 三类分类的概率校准
    • 分类器的概率校准
  • 分类
    • 分类器比较
    • 具有协方差椭球的线性与二次判别分析
    • 用于分类的正态、Ledoit-Wolf 和 OAS 线性判别分析
    • 绘制分类概率
    • 识别手写数字
  • 聚类
    • 手写数字数据上的 K 均值聚类演示
    • 硬币图像上的结构化 Ward 层次聚类演示
    • 均值漂移聚类算法演示
    • 聚类性能评估中的偶然性调整
    • 带结构和不带结构的凝聚聚类
    • 具有不同度量的凝聚聚类
    • K-Means++ 初始化示例
    • 二分 K 均值和普通 K 均值性能比较
    • 比较 BIRCH 和 MiniBatchKMeans
    • 比较不同聚类算法在玩具数据集上的表现
    • 比较不同层次链接方法在玩具数据集上的表现
    • 比较 K 均值和 MiniBatchKMeans 聚类算法
    • DBSCAN 聚类算法演示
    • HDBSCAN 聚类算法演示
    • OPTICS 聚类算法演示
    • 亲和传播聚类算法演示
    • K 均值假设演示
    • K 均值初始化影响的经验评估
    • 特征聚合
    • 特征聚合与单变量选择
    • 层次聚类:结构化与非结构化 Ward
    • 归纳聚类
    • 人脸部件字典的在线学习
    • 绘制层次聚类树状图
    • 将希腊硬币图片分割成区域
    • 使用轮廓分析选择 KMeans 聚类中的聚类数量
    • 用于图像分割的谱聚类
    • 数字的二维嵌入上的各种凝聚聚类
    • 矢量量化示例
  • 协方差估计
    • Ledoit-Wolf 与 OAS 估计
    • 稳健协方差估计和马氏距离的相关性
    • 稳健与经验协方差估计
    • 收缩协方差估计:LedoitWolf 与 OAS 和最大似然
    • 稀疏逆协方差估计
  • 交叉分解
    • 比较交叉分解方法
    • 主成分回归与偏最小二乘回归
  • 数据集示例
    • 绘制随机生成的多分标签数据集
  • 决策树
    • 决策树回归
    • 绘制在鸢尾花数据集上训练的决策树的决策面
    • 使用成本复杂度剪枝后剪枝决策树
    • 理解决策树结构
  • 分解
    • 使用 FastICA 进行盲源分离
    • 鸢尾花数据集的 LDA 和 PCA 二维投影比较
    • 人脸数据集分解
    • 因子分析(带旋转)以可视化模式
    • 二维点云上的 FastICA
    • 使用字典学习进行图像去噪
    • 增量 PCA
    • 核 PCA
    • 使用概率 PCA 和因子分析 (FA) 进行模型选择
    • 鸢尾花数据集上的主成分分析 (PCA)
    • 使用预计算字典进行稀疏编码
  • 开发估计器
    • __sklearn_is_fitted__ 作为开发者 API
  • 集成方法
    • 梯度提升中的分类特征支持
    • 使用堆叠组合预测器
    • 比较随机森林和直方图梯度提升模型
    • 比较随机森林和多输出元估计器
    • 使用 AdaBoost 的决策树回归
    • 梯度提升中的提前停止
    • 树林的特征重要性
    • 使用树集成进行特征转换
    • 直方图梯度提升树中的特征
    • 梯度提升包外估计
    • 梯度提升回归
    • 梯度提升正则化
    • 使用完全随机树进行哈希特征转换
    • IsolationForest 示例
    • 单调约束
    • 多类 AdaBoosted 决策树
    • 随机森林的包外误差
    • 绘制 VotingClassifier 计算的类概率
    • 绘制单个和投票回归预测
    • 绘制 VotingClassifier 的决策边界
    • 绘制在鸢尾花数据集上训练的树集成的决策面
    • 梯度提升回归的预测区间
    • 单估计器与套袋:偏差-方差分解
    • 二元 AdaBoost
  • 基于真实世界数据集的示例
    • 压缩感知:使用 L1 先验 (Lasso) 的断层扫描重建
    • 使用特征脸和 SVM 的人脸识别示例
    • 使用核 PCA 的图像去噪
    • 时间序列预测的滞后特征
    • 模型复杂度影响
    • 文本文档的核外分类
    • 真实数据集上的异常值检测
    • 预测延迟
    • 物种分布建模
    • 基于时间的特征工程
    • 使用非负矩阵分解和潜在狄利克雷分配进行主题提取
    • 可视化股票市场结构
    • 维基百科主特征向量
  • 特征选择
    • F 检验和互信息的比较
    • 基于模型的和顺序特征选择
    • 管道 ANOVA SVM
    • 递归特征消除
    • 具有交叉验证的递归特征消除
    • 单变量特征选择
  • 冻结估计器
    • 使用 FrozenEstimator 的示例
  • 高斯混合模型
    • 变分贝叶斯高斯混合的浓度先验类型分析
    • 高斯混合的密度估计
    • GMM 初始化方法
    • GMM 协方差
    • 高斯混合模型椭球
    • 高斯混合模型选择
    • 高斯混合模型正弦曲线
  • 用于机器学习的高斯过程
    • 高斯过程回归 (GPR) 估计数据噪声水平的能力
    • 核岭回归和高斯过程回归的比较
    • 使用高斯过程回归 (GPR) 预测莫纳罗亚数据集上的 CO2 水平
    • 高斯过程回归:基本的入门示例
    • 鸢尾花数据集上的高斯过程分类 (GPC)
    • 离散数据结构上的高斯过程
    • XOR 数据集上高斯过程分类 (GPC) 的图示
    • 不同核的先验和后验高斯过程的图示
    • 高斯过程分类 (GPC) 的等概率线
    • 使用高斯过程分类 (GPC) 进行概率预测
  • 广义线性模型
    • 比较线性贝叶斯回归器
    • 比较各种在线求解器
    • 使用贝叶斯岭回归进行曲线拟合
    • 多项式和一对多逻辑回归的决策边界
    • 随机梯度下降的提前停止
    • 使用预计算格拉姆矩阵和加权样本拟合弹性网络
    • 具有强烈异常值的数据集上的 HuberRegressor 与 Ridge
    • 使用多任务 Lasso 进行联合特征选择
    • 逻辑回归中的L1惩罚和稀疏性
    • 基于L1的稀疏信号模型
    • 利用信息准则进行Lasso模型选择
    • Lasso模型选择:AIC-BIC/交叉验证
    • 稠密和稀疏数据上的Lasso
    • Lasso、Lasso-LARS和Elastic Net路径
    • 逻辑函数
    • 使用多项逻辑回归+L1的MNIST分类
    • 20newgroups上的多类稀疏逻辑回归
    • 非负最小二乘法
    • 一类SVM与使用随机梯度下降的一类SVM
    • 普通最小二乘法示例
    • 普通最小二乘法和岭回归方差
    • 正交匹配追踪
    • 绘制岭系数作为正则化的函数
    • 在iris数据集上绘制多类SGD
    • 泊松回归和非正态损失
    • 多项式和样条插值
    • 分位数回归
    • L1逻辑回归的正则化路径
    • 岭系数作为L2正则化的函数
    • 稳健线性估计拟合
    • 使用RANSAC进行稳健线性模型估计
    • SGD:最大间隔分离超平面
    • SGD:惩罚项
    • SGD:加权样本
    • SGD:凸损失函数
    • Theil-Sen回归
    • 保险索赔的Tweedie回归
  • 检验
    • 线性模型系数解释中的常见陷阱
    • 机器学习推断因果效应的失败
    • 偏依赖和个体条件期望图
    • 排列重要性与随机森林特征重要性(MDI)
    • 具有多重共线性或相关特征的排列重要性
  • 核逼近
    • 使用多项式核逼近的可扩展学习
  • 流形学习
    • 流形学习方法的比较
    • 断裂球体上的流形学习方法
    • 手写数字上的流形学习:局部线性嵌入、Isomap……
    • 多维缩放
    • 瑞士卷和瑞士洞的降维
    • t-SNE:不同困惑度值对形状的影响
  • 其他
    • 使用偏依赖进行高级绘图
    • 比较用于玩具数据集异常值检测的异常检测算法
    • 核岭回归和SVR的比较
    • 显示管道
    • 显示估计器和复杂的管道
    • 异常值检测估计器的评估
    • RBF核的显式特征映射逼近
    • 使用多输出估计器的面部补全
    • 介绍set_output API
    • 等度回归
    • 元数据路由
    • 多标签分类
    • 带有可视化API的ROC曲线
    • 使用随机投影嵌入的Johnson-Lindenstrauss界
    • 使用显示对象的可视化
  • 缺失值插补
    • 在构建估计器之前插补缺失值
    • 使用IterativeImputer的变体插补缺失值
  • 模型选择
    • 平衡模型复杂度和交叉验证分数
    • 类似度比用于衡量分类性能
    • 比较用于超参数估计的随机搜索和网格搜索
    • 网格搜索和连续减半的比较
    • 混淆矩阵
    • 带有交叉验证的网格搜索的自定义重拟合策略
    • 在cross_val_score和GridSearchCV上演示多指标评估
    • 检测错误权衡(DET)曲线
    • 模型正则化对训练和测试误差的影响
    • 多类接收者操作特征(ROC)
    • 嵌套与非嵌套交叉验证
    • 绘制交叉验证预测
    • 绘制学习曲线和检查模型的可扩展性
    • 事后调整决策函数的截止点
    • 为成本敏感学习调整决策阈值
    • 精确率-召回率
    • 带有交叉验证的接收者操作特征(ROC)
    • 文本特征提取和评估的示例管道
    • 使用网格搜索对模型进行统计比较
    • 连续减半迭代
    • 使用排列检验分类分数的显著性
    • 欠拟合与过拟合
    • 可视化scikit-learn中的交叉验证行为
  • 多类方法
    • 多类训练元估计器的概述
  • 多输出方法
    • 使用分类器链进行多标签分类
  • 最近邻
    • TSNE中的近似最近邻
    • 缓存最近邻
    • 比较使用和不使用邻域成分分析的最近邻
    • 使用邻域成分分析进行降维
    • 物种分布的核密度估计
    • 核密度估计
    • 最近质心分类
    • 最近邻分类
    • 最近邻回归
    • 邻域成分分析图示
    • 使用局部异常因子(LOF)进行新颖性检测
    • 使用局部异常因子(LOF)进行异常值检测
    • 简单的1D核密度估计
  • 神经网络
    • 比较MLPClassifier的随机学习策略
    • 用于数字分类的受限玻尔兹曼机特征
    • 改变多层感知器中的正则化
    • MNIST上MLP权重的可视化
  • 管道和组合估计器
    • 具有异构数据源的列转换器
    • 具有混合类型的列转换器
    • 连接多个特征提取方法
    • 转换回归模型中的目标变量的影响
    • 管道化:连接PCA和逻辑回归
    • 使用Pipeline和GridSearchCV选择降维
  • 预处理
    • 比较不同缩放器对包含异常值的数据的影响
    • 比较目标编码器和其他编码器
    • 演示KBinsDiscretizer的不同策略
    • 特征离散化
    • 特征缩放的重要性
    • 将数据映射到正态分布
    • 目标编码器的内部交叉拟合
    • 使用KBinsDiscretizer离散化连续特征
  • 半监督分类
    • 半监督分类器与SVM在Iris数据集上的决策边界
    • 改变自训练阈值的影响
    • 标签传播数字主动学习
    • 标签传播数字:演示性能
    • 标签传播学习复杂的结构
    • 文本数据集上的半监督分类
  • 支持向量机
    • 使用非线性核(RBF)的一类SVM
    • 绘制具有不同SVM核的分类边界
    • 在iris数据集上绘制不同的SVM分类器
    • 绘制LinearSVC中的支持向量
    • RBF SVM参数
    • SVM裕度示例
    • SVM平局示例
    • 具有自定义核的SVM
    • SVM-Anova:具有单变量特征选择的SVM
    • SVM:最大间隔分离超平面
    • SVM:不平衡类的分离超平面
    • SVM:加权样本
    • 缩放SVC的正则化参数
    • 使用线性和非线性核的支持向量回归(SVR)
  • 教程练习
    • 糖尿病数据集交叉验证练习
    • 数字分类练习
    • SVM练习
  • 使用文本文档
    • 使用稀疏特征对文本文档进行分类
    • 使用k-means聚类文本文档
    • FeatureHasher和DictVectorizer比较
  • 示例
  • 基于真实世界数据集的示例
  • 基于时间的特征工程

注意

转到结尾 下载完整的示例代码。或通过JupyterLite或Binder在您的浏览器中运行此示例。

与时间相关的特征工程#

本笔记本介绍了不同的策略,用于利用与时间相关的特征来进行自行车共享需求回归任务,该任务高度依赖于商业周期(天、周、月)和年度季节周期。

在此过程中,我们将介绍如何使用sklearn.preprocessing.SplineTransformer类及其extrapolation="periodic"选项执行周期性特征工程。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

自行车共享需求数据集的数据探索#

我们首先从OpenML存储库加载数据。

from sklearn.datasets import fetch_openml

bike_sharing = fetch_openml("Bike_Sharing_Demand", version=2, as_frame=True)
df = bike_sharing.frame

为了快速了解数据的周期性模式,让我们看一下一周内每小时的平均需求。

请注意,一周从周日(周末)开始。我们可以清楚地区分工作日早晚的通勤模式以及周末自行车休闲使用的模式,周末的峰值需求在一天的中午左右更为分散。

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(12, 4))
average_week_demand = df.groupby(["weekday", "hour"])["count"].mean()
average_week_demand.plot(ax=ax)
_ = ax.set(
    title="Average hourly bike demand during the week",
    xticks=[i * 24 for i in range(7)],
    xticklabels=["Sun", "Mon", "Tue", "Wed", "Thu", "Fri", "Sat"],
    xlabel="Time of the week",
    ylabel="Number of bike rentals",
)
Average hourly bike demand during the week

预测问题的目标是按小时计算的自行车租赁绝对数量。

df["count"].max()
np.int64(977)

让我们重新调整目标变量(每小时自行车租赁数量)以预测相对需求,以便更容易将平均绝对误差解释为最大需求的一部分。

注意

本笔记本中使用的模型的拟合方法都最小化均方误差以估计条件均值。然而,绝对误差将估计条件中位数。

然而,在讨论中报告测试集上的性能指标时,我们选择关注平均绝对误差而不是(根)均方误差,因为它更容易解释。但是,请注意,在本研究中,一个指标的最佳模型也是另一个指标的最佳模型。

y = df["count"] / df["count"].max()
fig, ax = plt.subplots(figsize=(12, 4))
y.hist(bins=30, ax=ax)
_ = ax.set(
    xlabel="Fraction of rented fleet demand",
    ylabel="Number of hours",
)
plot cyclical feature engineering

输入特征数据框是一个时间注释的每小时日志,其中包含描述天气状况的变量。它包括数值变量和分类变量。请注意,时间信息已被扩展到几个补充列中。

X = df.drop("count", axis="columns")
X
季节 年份 月份 小时 节假日 工作日 工作日 天气 温度 体感温度 湿度 风速
0 春季 0 1 0 False 6 False 晴朗 9.84 14.395 0.81 0.0000
1 春季 0 1 1 False 6 False 晴朗 9.02 13.635 0.80 0.0000
2 春季 0 1 2 False 6 False 晴朗 9.02 13.635 0.80 0.0000
3 春季 0 1 3 False 6 False 晴朗 9.84 14.395 0.75 0.0000
4 春季 0 1 4 False 6 False 晴朗 9.84 14.395 0.75 0.0000
... ... ... ... ... ... ... ... ... ... ... ... ...
17374 春季 1 12 19 False 1 True 有雾 10.66 12.880 0.60 11.0014
17375 春季 1 12 20 False 1 True 有雾 10.66 12.880 0.60 11.0014
17376 春季 1 12 21 False 1 True 晴朗 10.66 12.880 0.60 11.0014
17377 春季 1 12 22 False 1 True 晴朗 10.66 13.635 0.56 8.9981
17378 春季 1 12 23 False 1 True 晴朗 10.66 13.635 0.65 8.9981

17379行 × 12列



注意

如果时间信息仅以日期或日期时间列的形式存在,我们可以使用pandas将其扩展到一天中的小时、一周中的某天、一月中的某天、一年中的月份:https://pandas.ac.cn/pandas-docs/stable/user_guide/timeseries.html#time-date-components

现在我们来检查分类变量的分布,从"weather"开始。

X["weather"].value_counts()
weather
clear         11413
misty          4544
rain           1419
heavy_rain        3
Name: count, dtype: int64

由于只有3个"heavy_rain"事件,我们不能使用此类别来训练具有交叉验证的机器学习模型。相反,我们通过将这些事件合并到"rain"类别中来简化表示。

X["weather"] = (
    X["weather"]
    .astype(object)
    .replace(to_replace="heavy_rain", value="rain")
    .astype("category")
)
X["weather"].value_counts()
weather
clear    11413
misty     4544
rain      1422
Name: count, dtype: int64

正如预期的那样,"season"变量是均衡的。

X["season"].value_counts()
season
fall      4496
summer    4409
spring    4242
winter    4232
Name: count, dtype: int64

基于时间的交叉验证#

由于数据集是一个按时间排序的事件日志(每小时需求),我们将使用时间敏感的交叉验证分割器来尽可能真实地评估我们的需求预测模型。我们在分割的训练侧和测试侧之间使用2天的间隔。我们还限制训练集大小以使CV折叠的性能更稳定。

1000个测试数据点应该足以量化模型的性能。这代表了略少于一个半月的连续测试数据。

from sklearn.model_selection import TimeSeriesSplit

ts_cv = TimeSeriesSplit(
    n_splits=5,
    gap=48,
    max_train_size=10000,
    test_size=1000,
)

让我们手动检查各种分割以检查TimeSeriesSplit是否按我们的预期工作,从第一次分割开始。

all_splits = list(ts_cv.split(X, y))
train_0, test_0 = all_splits[0]
X.iloc[test_0]
季节 年份 月份 小时 节假日 工作日 工作日 天气 温度 体感温度 湿度 风速
12379 夏季 1 6 0 False 2 True 晴朗 22.14 25.760 0.68 27.9993
12380 夏季 1 6 1 False 2 True 有雾 21.32 25.000 0.77 22.0028
12381 夏季 1 6 2 False 2 True 雨天 21.32 25.000 0.72 19.9995
12382 夏季 1 6 3 False 2 True 雨天 20.50 24.240 0.82 12.9980
12383 夏季 1 6 4 False 2 True 雨天 20.50 24.240 0.82 12.9980
... ... ... ... ... ... ... ... ... ... ... ... ...
13374 秋季 1 7 11 False 1 True 晴朗 34.44 40.150 0.53 15.0013
13375 秋季 1 7 12 False 1 True 晴朗 34.44 39.395 0.49 8.9981
13376 秋季 1 7 13 False 1 True 晴朗 34.44 39.395 0.49 19.0012
13377 秋季 1 7 14 False 1 True 晴朗 36.08 40.910 0.42 7.0015
13378 秋季 1 7 15 False 1 True 晴朗 35.26 40.150 0.47 16.9979

1000行 × 12列



X.iloc[train_0]
季节 年份 月份 小时 节假日 工作日 工作日 天气 温度 体感温度 湿度 风速
2331 夏季 0 4 1 False 2 True 有雾 25.42 31.060 0.50 6.0032
2332 夏季 0 4 2 False 2 True 有雾 24.60 31.060 0.53 8.9981
2333 夏季 0 4 3 False 2 True 有雾 23.78 27.275 0.56 8.9981
2334 夏季 0 4 4 False 2 True 有雾 22.96 26.515 0.64 8.9981
2335 夏季 0 4 5 False 2 True 有雾 22.14 25.760 0.68 8.9981
... ... ... ... ... ... ... ... ... ... ... ... ...
12326 夏季 1 6 19 False 6 False 晴朗 26.24 31.060 0.36 11.0014
12327 夏季 1 6 20 False 6 False 晴朗 25.42 31.060 0.35 19.0012
12328 夏季 1 6 21 False 6 False 晴朗 24.60 31.060 0.40 7.0015
12329 夏季 1 6 22 False 6 False 晴朗 23.78 27.275 0.46 8.9981
12330 夏季 1 6 23 False 6 False 晴朗 22.96 26.515 0.52 7.0015

10000行 × 12列



现在我们检查最后一次分割。

train_4, test_4 = all_splits[4]
X.iloc[test_4]
季节 年份 月份 小时 节假日 工作日 工作日 天气 温度 体感温度 湿度 风速
16379 冬季 1 11 5 False 2 True 有雾 13.94 16.665 0.66 8.9981
16380 冬季 1 11 6 False 2 True 有雾 13.94 16.665 0.71 11.0014
16381 冬季 1 11 7 False 2 True 晴朗 13.12 16.665 0.76 6.0032
16382 冬季 1 11 8 False 2 True 晴朗 13.94 16.665 0.71 8.9981
16383 冬季 1 11 9 False 2 True 有雾 14.76 18.940 0.71 0.0000
... ... ... ... ... ... ... ... ... ... ... ... ...
17374 春季 1 12 19 False 1 True 有雾 10.66 12.880 0.60 11.0014
17375 春季 1 12 20 False 1 True 有雾 10.66 12.880 0.60 11.0014
17376 春季 1 12 21 False 1 True 晴朗 10.66 12.880 0.60 11.0014
17377 春季 1 12 22 False 1 True 晴朗 10.66 13.635 0.56 8.9981
17378 春季 1 12 23 False 1 True 晴朗 10.66 13.635 0.65 8.9981

1000行 × 12列



X.iloc[train_4]
季节 年份 月份 小时 节假日 工作日 工作日 天气 温度 体感温度 湿度 风速
6331 冬季 0 9 9 False 1 True 有雾 26.24 28.790 0.89 12.9980
6332 冬季 0 9 10 False 1 True 有雾 26.24 28.790 0.89 12.9980
6333 冬季 0 9 11 False 1 True 晴朗 27.88 31.820 0.79 15.0013
6334 冬季 0 9 12 False 1 True 有雾 27.88 31.820 0.79 11.0014
6335 冬季 0 9 13 False 1 True 有雾 28.70 33.335 0.74 11.0014
... ... ... ... ... ... ... ... ... ... ... ... ...
16326 冬季 1 11 0 False 0 False 有雾 12.30 15.150 0.70 11.0014
16327 冬季 1 11 1 False 0 False 晴朗 12.30 14.395 0.70 12.9980
16328 冬季 1 11 2 False 0 False 晴朗 11.48 14.395 0.81 7.0015
16329 冬季 1 11 3 False 0 False 有雾 12.30 15.150 0.81 11.0014
16330 冬季 1 11 4 False 0 False 有雾 12.30 14.395 0.81 12.9980

10000行 × 12列



一切正常。我们现在可以进行一些预测建模了!

梯度提升#

使用决策树的梯度提升回归通常足够灵活,可以有效地处理具有混合分类和数值特征的异构表格数据,只要样本数量足够大。

在这里,我们使用具有对分类特征的原生支持的现代HistGradientBoostingRegressor。因此,我们只需要设置categorical_features="from_dtype",这样具有分类dtype的特征就会被视为分类特征。作为参考,我们根据dtype从数据框中提取分类特征。内部树为这些特征使用专门的树分割规则。

数值变量不需要预处理,为了简单起见,我们只尝试此模型的默认超参数。

from sklearn.compose import ColumnTransformer
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.model_selection import cross_validate
from sklearn.pipeline import make_pipeline

gbrt = HistGradientBoostingRegressor(categorical_features="from_dtype", random_state=42)
categorical_columns = X.columns[X.dtypes == "category"]
print("Categorical features:", categorical_columns.tolist())
Categorical features: ['season', 'holiday', 'workingday', 'weather']

让我们使用在我们的5个基于时间的交叉验证分割中平均的相对需求的平均绝对误差来评估我们的梯度提升模型。

import numpy as np


def evaluate(model, X, y, cv, model_prop=None, model_step=None):
    cv_results = cross_validate(
        model,
        X,
        y,
        cv=cv,
        scoring=["neg_mean_absolute_error", "neg_root_mean_squared_error"],
        return_estimator=model_prop is not None,
    )
    if model_prop is not None:
        if model_step is not None:
            values = [
                getattr(m[model_step], model_prop) for m in cv_results["estimator"]
            ]
        else:
            values = [getattr(m, model_prop) for m in cv_results["estimator"]]
        print(f"Mean model.{model_prop} = {np.mean(values)}")
    mae = -cv_results["test_neg_mean_absolute_error"]
    rmse = -cv_results["test_neg_root_mean_squared_error"]
    print(
        f"Mean Absolute Error:     {mae.mean():.3f} +/- {mae.std():.3f}\n"
        f"Root Mean Squared Error: {rmse.mean():.3f} +/- {rmse.std():.3f}"
    )


evaluate(gbrt, X, y, cv=ts_cv, model_prop="n_iter_")
Mean model.n_iter_ = 100.0
Mean Absolute Error:     0.044 +/- 0.003
Root Mean Squared Error: 0.068 +/- 0.005

我们看到我们设置的max_iter足够大,以至于发生了提前停止。

该模型的平均误差约为最大需求的4%到5%。对于没有任何超参数调整的第一次尝试来说,这相当不错!我们只需要明确分类变量即可。请注意,时间相关特征按原样传递,即没有处理它们。但这对于基于树的模型来说并不是什么大问题,因为它们可以学习序数输入特征和目标之间的非单调关系。

线性回归模型并非如此,我们将在后面看到。

朴素线性回归#

与线性模型通常一样,分类变量需要进行独热编码。为了保持一致性,我们使用MinMaxScaler将数值特征缩放至相同的0-1范围,尽管在这种情况下,它对结果的影响不大,因为它们已经在可比的范围内。

from sklearn.linear_model import RidgeCV
from sklearn.preprocessing import MinMaxScaler, OneHotEncoder

one_hot_encoder = OneHotEncoder(handle_unknown="ignore", sparse_output=False)
alphas = np.logspace(-6, 6, 25)
naive_linear_pipeline = make_pipeline(
    ColumnTransformer(
        transformers=[
            ("categorical", one_hot_encoder, categorical_columns),
        ],
        remainder=MinMaxScaler(),
    ),
    RidgeCV(alphas=alphas),
)


evaluate(
    naive_linear_pipeline, X, y, cv=ts_cv, model_prop="alpha_", model_step="ridgecv"
)
Mean model.alpha_ = 2.7298221281347037
Mean Absolute Error:     0.142 +/- 0.014
Root Mean Squared Error: 0.184 +/- 0.020

可以肯定的是,选择的alpha_在我们指定的范围内。

性能不好:平均误差约为最大需求的14%。这比梯度提升模型的平均误差高出三倍多。我们可以怀疑朴素的原始编码(仅仅是 min-max 缩放)的周期性时间相关特征可能会阻止线性回归模型正确利用时间信息:线性回归不会自动模拟输入特征和目标之间的非单调关系。必须在输入中设计非线性项。

例如,“小时”特征的原始数值编码会阻止线性模型识别出:早上6点到8点小时数的增加应该对自行车租赁数量产生强烈积极的影响,而晚上18点到20点类似幅度的增加应该对预测的自行车租赁数量产生强烈负面影响。

时间步长作为类别#

由于时间特征使用整数以离散方式编码(“小时”特征中有24个唯一值),我们可以决定使用独热编码将这些特征视为分类变量,从而忽略小时值排序所暗示的任何假设。

对时间特征使用独热编码为线性模型提供了更大的灵活性,因为我们为每个离散时间级别引入了额外的特征。

one_hot_linear_pipeline = make_pipeline(
    ColumnTransformer(
        transformers=[
            ("categorical", one_hot_encoder, categorical_columns),
            ("one_hot_time", one_hot_encoder, ["hour", "weekday", "month"]),
        ],
        remainder=MinMaxScaler(),
    ),
    RidgeCV(alphas=alphas),
)

evaluate(one_hot_linear_pipeline, X, y, cv=ts_cv)
Mean Absolute Error:     0.099 +/- 0.011
Root Mean Squared Error: 0.131 +/- 0.011

该模型的平均错误率为10%,远优于使用时间特征的原始(序数)编码,这证实了我们的直觉:线性回归模型受益于无需以单调方式处理时间进程的额外灵活性。

但是,这会引入大量新特征。如果一天中的时间以从当天开始计算的分钟而不是小时表示,则独热编码将引入1440个特征而不是24个。这可能会导致严重的过拟合。为了避免这种情况,我们可以使用sklearn.preprocessing.KBinsDiscretizer来重新划分细粒度序数或数值变量的级别数量,同时仍然受益于独热编码的非单调表达优势。

最后,我们还观察到,独热编码完全忽略了小时级别的顺序,而这可能是需要保留到一定程度的有趣的归纳偏差。在下文中,我们将尝试探索局部保留时间特征相对顺序的平滑、非单调编码。

三角特征#

作为第一次尝试,我们可以尝试使用具有匹配周期的正弦和余弦变换来编码这些周期性特征。

每个序数时间特征都被转换为2个特征,这两个特征一起以非单调的方式编码等效信息,更重要的是,周期范围的第一个值和最后一个值之间没有任何跳跃。

from sklearn.preprocessing import FunctionTransformer


def sin_transformer(period):
    return FunctionTransformer(lambda x: np.sin(x / period * 2 * np.pi))


def cos_transformer(period):
    return FunctionTransformer(lambda x: np.cos(x / period * 2 * np.pi))

让我们将此特征扩展对一些超出小时=23的合成小时数据的影响可视化。

import pandas as pd

hour_df = pd.DataFrame(
    np.arange(26).reshape(-1, 1),
    columns=["hour"],
)
hour_df["hour_sin"] = sin_transformer(24).fit_transform(hour_df)["hour"]
hour_df["hour_cos"] = cos_transformer(24).fit_transform(hour_df)["hour"]
hour_df.plot(x="hour")
_ = plt.title("Trigonometric encoding for the 'hour' feature")
Trigonometric encoding for the 'hour' feature

让我们使用一个二维散点图,将小时编码为颜色,以便更好地查看这种表示如何将一天的24小时映射到二维空间,类似于某种24小时的模拟时钟。请注意,由于正弦/余弦表示的周期性,“第25”小时被映射回第1小时。

fig, ax = plt.subplots(figsize=(7, 5))
sp = ax.scatter(hour_df["hour_sin"], hour_df["hour_cos"], c=hour_df["hour"])
ax.set(
    xlabel="sin(hour)",
    ylabel="cos(hour)",
)
_ = fig.colorbar(sp)
plot cyclical feature engineering

我们现在可以使用此策略构建特征提取管道。

cyclic_cossin_transformer = ColumnTransformer(
    transformers=[
        ("categorical", one_hot_encoder, categorical_columns),
        ("month_sin", sin_transformer(12), ["month"]),
        ("month_cos", cos_transformer(12), ["month"]),
        ("weekday_sin", sin_transformer(7), ["weekday"]),
        ("weekday_cos", cos_transformer(7), ["weekday"]),
        ("hour_sin", sin_transformer(24), ["hour"]),
        ("hour_cos", cos_transformer(24), ["hour"]),
    ],
    remainder=MinMaxScaler(),
)
cyclic_cossin_linear_pipeline = make_pipeline(
    cyclic_cossin_transformer,
    RidgeCV(alphas=alphas),
)
evaluate(cyclic_cossin_linear_pipeline, X, y, cv=ts_cv)
Mean Absolute Error:     0.125 +/- 0.014
Root Mean Squared Error: 0.166 +/- 0.020

使用这种简单的特征工程,我们的线性回归模型的性能略好于使用原始序数时间特征,但差于使用独热编码的时间特征。我们将在本笔记本的末尾进一步分析导致这种令人失望的结果的可能原因。

周期样条特征#

我们可以尝试使用样条变换对周期性时间相关特征进行替代编码,使用足够多的样条,从而与正弦/余弦变换相比,扩展特征的数量更多。

from sklearn.preprocessing import SplineTransformer


def periodic_spline_transformer(period, n_splines=None, degree=3):
    if n_splines is None:
        n_splines = period
    n_knots = n_splines + 1  # periodic and include_bias is True
    return SplineTransformer(
        degree=degree,
        n_knots=n_knots,
        knots=np.linspace(0, period, n_knots).reshape(n_knots, 1),
        extrapolation="periodic",
        include_bias=True,
    )

同样,让我们将此特征扩展对一些超出小时=23的合成小时数据的影响可视化。

hour_df = pd.DataFrame(
    np.linspace(0, 26, 1000).reshape(-1, 1),
    columns=["hour"],
)
splines = periodic_spline_transformer(24, n_splines=12).fit_transform(hour_df)
splines_df = pd.DataFrame(
    splines,
    columns=[f"spline_{i}" for i in range(splines.shape[1])],
)
pd.concat([hour_df, splines_df], axis="columns").plot(x="hour", cmap=plt.cm.tab20b)
_ = plt.title("Periodic spline-based encoding for the 'hour' feature")
Periodic spline-based encoding for the 'hour' feature

由于使用了extrapolation="periodic"参数,我们观察到在超过午夜进行外推时,特征编码保持平滑。

我们现在可以使用这种替代的周期性特征工程策略构建预测管道。

可以使用少于这些序数值的离散级别的样条。这使得基于样条的编码比独热编码更有效,同时保留了大部分表达能力。

cyclic_spline_transformer = ColumnTransformer(
    transformers=[
        ("categorical", one_hot_encoder, categorical_columns),
        ("cyclic_month", periodic_spline_transformer(12, n_splines=6), ["month"]),
        ("cyclic_weekday", periodic_spline_transformer(7, n_splines=3), ["weekday"]),
        ("cyclic_hour", periodic_spline_transformer(24, n_splines=12), ["hour"]),
    ],
    remainder=MinMaxScaler(),
)
cyclic_spline_linear_pipeline = make_pipeline(
    cyclic_spline_transformer,
    RidgeCV(alphas=alphas),
)
evaluate(cyclic_spline_linear_pipeline, X, y, cv=ts_cv)
Mean Absolute Error:     0.097 +/- 0.011
Root Mean Squared Error: 0.132 +/- 0.013

样条特征使线性模型能够成功地利用周期性时间相关特征,并将误差从最大需求的约14%降低到约10%,这与我们使用独热编码特征观察到的结果相似。

特征对线性模型预测影响的定性分析#

在这里,我们想将特征工程选择对时间相关预测形状的影响可视化。

为此,我们考虑一个基于时间的任意分割,以比较一系列保留数据点的预测。

naive_linear_pipeline.fit(X.iloc[train_0], y.iloc[train_0])
naive_linear_predictions = naive_linear_pipeline.predict(X.iloc[test_0])

one_hot_linear_pipeline.fit(X.iloc[train_0], y.iloc[train_0])
one_hot_linear_predictions = one_hot_linear_pipeline.predict(X.iloc[test_0])

cyclic_cossin_linear_pipeline.fit(X.iloc[train_0], y.iloc[train_0])
cyclic_cossin_linear_predictions = cyclic_cossin_linear_pipeline.predict(X.iloc[test_0])

cyclic_spline_linear_pipeline.fit(X.iloc[train_0], y.iloc[train_0])
cyclic_spline_linear_predictions = cyclic_spline_linear_pipeline.predict(X.iloc[test_0])

我们通过放大测试集的最后96小时(4天)来可视化这些预测,以获得一些定性见解。

last_hours = slice(-96, None)
fig, ax = plt.subplots(figsize=(12, 4))
fig.suptitle("Predictions by linear models")
ax.plot(
    y.iloc[test_0].values[last_hours],
    "x-",
    alpha=0.2,
    label="Actual demand",
    color="black",
)
ax.plot(naive_linear_predictions[last_hours], "x-", label="Ordinal time features")
ax.plot(
    cyclic_cossin_linear_predictions[last_hours],
    "x-",
    label="Trigonometric time features",
)
ax.plot(
    cyclic_spline_linear_predictions[last_hours],
    "x-",
    label="Spline-based time features",
)
ax.plot(
    one_hot_linear_predictions[last_hours],
    "x-",
    label="One-hot time features",
)
_ = ax.legend()
Predictions by linear models

我们可以从上图得出以下结论:

  • **原始序数时间相关特征**是有问题的,因为它们没有捕捉到自然的周期性:当小时特征从23回到0时,我们观察到每天结束时预测都有很大的跳跃。我们可以预期每周或每年的末尾也会出现类似的伪影。

  • 正如预期的那样,**三角特征**(正弦和余弦)在午夜没有这些不连续性,但是线性回归模型未能利用这些特征来正确模拟日内变化。使用更高谐波的三角特征或具有不同相位的自然周期的附加三角特征可能会解决这个问题。

  • **基于周期性样条的特征**同时解决了这两个问题:它们通过使线性模型能够关注特定的小时(通过使用12个样条)来为其提供更大的表达能力。extrapolation="periodic"选项强制在hour=23和hour=0之间进行平滑表示。

  • **独热编码特征**的行为类似于基于周期性样条的特征,但更尖锐:例如,它们可以更好地模拟工作日的早高峰,因为这个高峰持续时间短于一个小时。但是,我们将在下面看到,对于线性模型来说可能是一种优势的特性,对于更具表达能力的模型来说不一定是优势。

我们还可以比较每个特征工程管道提取的特征数量。

naive_linear_pipeline[:-1].transform(X).shape
(17379, 19)
one_hot_linear_pipeline[:-1].transform(X).shape
(17379, 59)
cyclic_cossin_linear_pipeline[:-1].transform(X).shape
(17379, 22)
cyclic_spline_linear_pipeline[:-1].transform(X).shape
(17379, 37)

这证实了独热编码和样条编码策略为时间表示创建了比替代方案更多的特征,这反过来又为下游线性模型提供了更大的灵活性(自由度)以避免欠拟合。

最后,我们观察到没有任何线性模型能够近似逼近真实的自行车租赁需求,尤其是在高峰期,工作日的早晚高峰可能非常尖锐,而周末则平缓得多:基于样条或独热编码的最精确线性模型往往会在周末预测通勤相关的自行车租赁高峰,并在工作日低估通勤相关的事件。

这些系统性的预测误差揭示了一种欠拟合的形式,这可以用特征之间缺乏交互项来解释,例如“工作日”和从“小时”派生的特征。这个问题将在下一节中讨论。

使用样条和多项式特征建模成对交互#

线性模型不会自动捕获输入特征之间的交互效应。一些特征边缘非线性的事实并没有帮助,例如使用SplineTransformer(或独热编码或分箱)构建的特征。

但是,可以使用PolynomialFeatures类对粗粒度的样条编码的小时数进行建模,以显式地建模“工作日”/“小时”交互,而不会引入太多新的变量。

from sklearn.pipeline import FeatureUnion
from sklearn.preprocessing import PolynomialFeatures

hour_workday_interaction = make_pipeline(
    ColumnTransformer(
        [
            ("cyclic_hour", periodic_spline_transformer(24, n_splines=8), ["hour"]),
            ("workingday", FunctionTransformer(lambda x: x == "True"), ["workingday"]),
        ]
    ),
    PolynomialFeatures(degree=2, interaction_only=True, include_bias=False),
)

然后,这些特征与先前基于样条的管道中已计算出的特征组合在一起。通过显式地建模这种成对交互,我们可以观察到性能得到了显著提升。

cyclic_spline_interactions_pipeline = make_pipeline(
    FeatureUnion(
        [
            ("marginal", cyclic_spline_transformer),
            ("interactions", hour_workday_interaction),
        ]
    ),
    RidgeCV(alphas=alphas),
)
evaluate(cyclic_spline_interactions_pipeline, X, y, cv=ts_cv)
Mean Absolute Error:     0.078 +/- 0.009
Root Mean Squared Error: 0.104 +/- 0.009

使用核函数建模非线性特征交互#

之前的分析强调了需要对"workingday"和"hours"之间的交互进行建模。另一个我们希望建模的此类非线性交互的例子可能是降雨的影响,例如,在工作日和周末及节假日的降雨影响可能不同。

为了对所有这些交互进行建模,我们可以在所有边缘特征进行基于样条的扩展后,对所有边缘特征进行多项式扩展。但是,这将产生二次数量的特征,这会导致过拟合和计算可处理性问题。

或者,我们可以使用Nyström方法来计算近似的多项式核扩展。让我们尝试后者。

from sklearn.kernel_approximation import Nystroem

cyclic_spline_poly_pipeline = make_pipeline(
    cyclic_spline_transformer,
    Nystroem(kernel="poly", degree=2, n_components=300, random_state=0),
    RidgeCV(alphas=alphas),
)
evaluate(cyclic_spline_poly_pipeline, X, y, cv=ts_cv)
Mean Absolute Error:     0.053 +/- 0.002
Root Mean Squared Error: 0.076 +/- 0.004

我们观察到,该模型的性能几乎可以与梯度提升树相媲美,平均误差约为最大需求的5%。

请注意,虽然此管道的最后一步是线性回归模型,但中间步骤(例如样条特征提取和Nyström核近似)是高度非线性的。因此,复合管道比使用原始特征的简单线性回归模型更具表达力。

为了完整起见,我们还评估了独热编码和核近似的组合。

one_hot_poly_pipeline = make_pipeline(
    ColumnTransformer(
        transformers=[
            ("categorical", one_hot_encoder, categorical_columns),
            ("one_hot_time", one_hot_encoder, ["hour", "weekday", "month"]),
        ],
        remainder="passthrough",
    ),
    Nystroem(kernel="poly", degree=2, n_components=300, random_state=0),
    RidgeCV(alphas=alphas),
)
evaluate(one_hot_poly_pipeline, X, y, cv=ts_cv)
Mean Absolute Error:     0.082 +/- 0.006
Root Mean Squared Error: 0.111 +/- 0.011

当使用线性模型时,独热编码特征与基于样条的特征具有竞争力,但在使用非线性核的低秩近似时,情况不再如此:这可以用样条特征更平滑并允许核近似找到更具表达力的决策函数来解释。

现在让我们定性地看一下核模型和梯度提升树的预测结果,这些模型应该能够更好地建模特征之间的非线性交互。

gbrt.fit(X.iloc[train_0], y.iloc[train_0])
gbrt_predictions = gbrt.predict(X.iloc[test_0])

one_hot_poly_pipeline.fit(X.iloc[train_0], y.iloc[train_0])
one_hot_poly_predictions = one_hot_poly_pipeline.predict(X.iloc[test_0])

cyclic_spline_poly_pipeline.fit(X.iloc[train_0], y.iloc[train_0])
cyclic_spline_poly_predictions = cyclic_spline_poly_pipeline.predict(X.iloc[test_0])

我们再次放大测试集的最后4天。

last_hours = slice(-96, None)
fig, ax = plt.subplots(figsize=(12, 4))
fig.suptitle("Predictions by non-linear regression models")
ax.plot(
    y.iloc[test_0].values[last_hours],
    "x-",
    alpha=0.2,
    label="Actual demand",
    color="black",
)
ax.plot(
    gbrt_predictions[last_hours],
    "x-",
    label="Gradient Boosted Trees",
)
ax.plot(
    one_hot_poly_predictions[last_hours],
    "x-",
    label="One-hot + polynomial kernel",
)
ax.plot(
    cyclic_spline_poly_predictions[last_hours],
    "x-",
    label="Splines + polynomial kernel",
)
_ = ax.legend()
Predictions by non-linear regression models

首先,请注意,树可以自然地对非线性特征交互进行建模,因为默认情况下,决策树允许其深度超过2层。

在这里,我们可以观察到样条特征和非线性核的组合效果很好,并且几乎可以与梯度提升回归树的精度相媲美。

相反,独热编码的时间特征在低秩核模型中的表现并不理想。特别是,它们比竞争模型更显著地高估了低需求时段。

我们还观察到,没有任何模型能够成功预测工作日早晚高峰的一些高峰租赁量。可能需要访问其他特征才能进一步提高预测的准确性。例如,访问任何时间点的车队地理分布或因需要维修而停用的自行车比例可能很有用。

最后,让我们使用真实值与预测值需求散点图更定量地看一下这三个模型的预测误差。

from sklearn.metrics import PredictionErrorDisplay

fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(13, 7), sharex=True, sharey="row")
fig.suptitle("Non-linear regression models", y=1.0)
predictions = [
    one_hot_poly_predictions,
    cyclic_spline_poly_predictions,
    gbrt_predictions,
]
labels = [
    "One hot +\npolynomial kernel",
    "Splines +\npolynomial kernel",
    "Gradient Boosted\nTrees",
]
plot_kinds = ["actual_vs_predicted", "residual_vs_predicted"]
for axis_idx, kind in enumerate(plot_kinds):
    for ax, pred, label in zip(axes[axis_idx], predictions, labels):
        disp = PredictionErrorDisplay.from_predictions(
            y_true=y.iloc[test_0],
            y_pred=pred,
            kind=kind,
            scatter_kwargs={"alpha": 0.3},
            ax=ax,
        )
        ax.set_xticks(np.linspace(0, 1, num=5))
        if axis_idx == 0:
            ax.set_yticks(np.linspace(0, 1, num=5))
            ax.legend(
                ["Best model", label],
                loc="upper center",
                bbox_to_anchor=(0.5, 1.3),
                ncol=2,
            )
        ax.set_aspect("equal", adjustable="box")
plt.show()
Non-linear regression models

此可视化结果证实了我们在上一图中得出的结论。

所有模型都低估了高需求事件(工作日早晚高峰),但梯度提升的低估程度略低。梯度提升平均可以很好地预测低需求事件,而独热多项式回归管道似乎在此状态下系统性地高估了需求。总体而言,梯度提升树的预测比核模型更接近对角线。

总结#

我们注意到,通过使用更多组件(更高秩的核近似),我们可以获得略微更好的核模型结果,但代价是更长的拟合和预测时间。对于较大的n_components值,独热编码特征的性能甚至可以与样条特征相匹配。

Nystroem + RidgeCV回归器也可以被MLPRegressor(具有一到两层隐藏层)替换,我们将获得非常相似的结果。

我们在此案例研究中使用的数据集以每小时为基础进行采样。但是,循环样条特征可以非常有效地对一天内的时间或一周内的时间进行建模,具有更细粒度的时间分辨率(例如,每分钟而不是每小时进行测量),而不会引入更多特征。独热编码时间表示不提供这种灵活性。

最后,在这个笔记本中,我们使用RidgeCV是因为它在计算方面非常高效。但是,它将目标变量建模为具有恒定方差的高斯随机变量。对于正回归问题,使用泊松或伽马分布可能更有意义。这可以通过使用GridSearchCV(TweedieRegressor(power=2), param_grid({"alpha": alphas}))代替RidgeCV来实现。

脚本的总运行时间:(0 分钟 13.619 秒)

Launch binder
Launch JupyterLite

下载 Jupyter notebook:plot_cyclical_feature_engineering.ipynb

下载 Python 源代码:plot_cyclical_feature_engineering.py

下载压缩包:plot_cyclical_feature_engineering.zip

相关示例

时间序列预测的滞后特征

时间序列预测的滞后特征

梯度提升中的分类特征支持

梯度提升中的分类特征支持

多项式和样条插值

多项式和样条插值

偏依赖和个体条件期望图

偏依赖和个体条件期望图

由 Sphinx-Gallery 生成的图库

上一页

物种分布模型

下一页

使用非负矩阵分解和潜在狄利克雷分配进行主题提取

本页内容
  • 自行车共享需求数据集的数据探索
  • 基于时间的交叉验证
  • 梯度提升
  • 朴素线性回归
  • 时间步长作为类别
  • 三角函数特征
  • 周期样条特征
  • 对特征对线性模型预测影响的定性分析
  • 使用样条和多项式特征建模成对交互
  • 使用核函数建模非线性特征交互
  • 总结
显示源代码
下载源代码
下载 Jupyter notebook
下载压缩包
Launch JupyterLite
Launch binder

© 版权所有 2007 - 2024,scikit-learn 开发者 (BSD 许可证)。