礼品网站设计,抢车票网站怎么做,安卓app开发平台,wordpress记录用户ip当涉及到预测数据(时间序列或其他类型的序列)时#xff0c;人们会关注基本回归、ARIMA、ARMA、GARCH#xff0c;甚至Prophet#xff0c;但不排除使用随机森林来预测数据。随机森林通常被认为是一种分类技术#xff0c;但回归问题绝对是随机森林可以处理的。在本文中#x…当涉及到预测数据(时间序列或其他类型的序列)时人们会关注基本回归、ARIMA、ARMA、GARCH甚至Prophet但不排除使用随机森林来预测数据。随机森林通常被认为是一种分类技术但回归问题绝对是随机森林可以处理的。在本文中我打算使用在网上找到的一个数据集叫做温莎市房屋销售价格。出于写作的目的我将只使用价格(price)和批量(lotsize)列。注:在以后的文章中我打算摒弃这些数据并对随机森林进行多元回归。为了开始先让我们导入项目开始所需的所有库。和往常一样你可以在这里使用jupyter笔记本来运行这个分析。现在来加载数据:同样我们只使用数据集中的两列—价格(price)和批量(lotsize)。让我们把这些数据画出来直观地看一看用批量(lotsize)来预测价格(price)是否有意义。从数据来看使用批量来预测价格似乎是一个不错的猜测。现在让我们准备好数据集来训练和测试数据。在上面我们把随机森林回归量设置为X和y然后设置我们的训练和测试数据。对于训练数据我们将取前400个数据点来进行随机森林训练然后对最后146个数据点进行测试。现在让我们运行随机森林回归模型。首先我们需要从sklearn中导入Random Forest regression:现在是时候让我们来运行随机森林回归看看会得到什么。让我们可视化价格(price)和预测价格(predicted_price)。对于批量(lotsize)预测价格(price)这个大胆的猜测来说结果确实差强人意。从视觉上它看起来相当不错(尽管肯定有错误)。让我们看看基本级别的错误。首先快速地画出两者之间的“区别”。这里的错误相当大。我们来看一些值比如R的平方(R-Squared )和均方误差(Mean Squared Error)。首先让我们从sklearn导入适当的函数。现在让我们来看看R的平方(R-Squared):R-Squared是0.6976也就是0.7。对于随机猜测来说结果不是很好但也不是很糟糕。0.7(或70%)是为了告诉你大约70%的“信号”变化是由用作预测器的变量解释的。从全局来看这还不错。我可以继续进行其他错误的计算但这篇文章的重点不是展示“准确性”而是展示如何使用随机森林进行预测的“过程”。英文原文https://pythondata.com/forecasting-with-random-forests/ 译者任宇は神様
