我已从包含 17 年来每小时记录的特定城市 911 起火灾报警的数据集中删除了趋势和季节性。然后，我用线性回归器拟合它，并尝试预测即将到来的 24 小时期间的值。然而，我的 R^2 值通常接近 0(通常为负值)，并且我的预测值彼此之间都在万分之一(或更小)以内，因此绘制时，它本质上看起来像一条粗略反射(reflect)平均值的水平线。
我做错了什么？
这是我的代码:
from datetime import timedelta
def run_regression(df, dependent, label):
cut_datetime = df[dependent].max()-timedelta(hours=26) #24 hour lag plus 4 hours to predict
train = df[df[dependent] < cut_datetime][['julian_datetime', label]].dropna(how='any') #train == data before cut_datetime
test = df[df[dependent] >= cut_datetime][['julian_datetime', label]].dropna(how='any') #test == data after cut_datetime
regress = sklearn.linear_model.LinearRegression().fit(
X = train[['julian_datetime']],
y = train[label])
test['predicted_value'] = regress.predict(
X = test[['julian_datetime']])
#Plots
(test[label] - test['predicted_value']).plot()
test[[label, 'predicted_value']].plot()
#Metrics
print('MSE: ', sklearn.metrics.mean_squared_error(test[label], test['predicted_value']))
print('R^2: ', sklearn.metrics.r2_score(test[label], test['predicted_value']))
print('Sample of predicted values: ', '\n', test['predicted_value'][:10])
run_regression(exp_model_df, 'incident_hour', 'label')
incident_hour --> 函数开头引用的 julian_date 的日期时间格式
这是数据集的示例:
incident_hour julian_datetime label
0 2003-11-07 09:00:00 2452950.87500000 6.696136
1 2003-11-07 10:00:00 2452950.91666667 -5.293884
2 2003-11-07 11:00:00 2452950.95833333 5.679681
3 2003-11-07 12:00:00 2452951.00000000 4.411278
4 2003-11-07 13:00:00 2452951.04166667 5.837476
5 2003-11-07 14:00:00 2452951.08333333 6.469543
6 2003-11-07 15:00:00 2452951.12500000 2.191286
7 2003-11-07 16:00:00 2452951.16666667 0.347877
8 2003-11-07 17:00:00 2452951.20833333 0.151539
9 2003-11-07 18:00:00 2452951.25000000 5.925230
10 2003-11-07 19:00:00 2452951.29166667 8.563340
11 2003-11-07 20:00:00 2452951.33333333 3.151843
12 2003-11-07 21:00:00 2452951.37500000 3.751080
13 2003-11-07 22:00:00 2452951.41666667 5.476664
14 2003-11-07 23:00:00 2452951.45833333 0.146253
15 2003-11-08 00:00:00 2452951.50000000 2.879449
16 2003-11-08 01:00:00 2452951.54166667 0.712886
17 2003-11-08 02:00:00 2452951.58333333 6.118765
18 2003-11-08 03:00:00 2452951.62500000 6.052857
19 2003-11-08 04:00:00 2452951.66666667 0.892937
20 2003-11-08 05:00:00 2452951.70833333 -3.009876
21 2003-11-08 06:00:00 2452951.75000000 -3.525916
22 2003-11-08 07:00:00 2452951.79166667 -0.076345
23 2003-11-08 08:00:00 2452951.83333333 -3.236072
24 2003-11-08 09:00:00 2452951.87500000 -2.855910
25 2003-11-08 10:00:00 2452951.91666667 3.599330
26 2003-11-08 11:00:00 2452951.95833333 6.845144
27 2003-11-08 12:00:00 2452952.00000000 6.764351
28 2003-11-08 13:00:00 2452952.04166667 -1.896929
29 2003-11-08 14:00:00 2452952.08333333 0.370614
30 2003-11-08 15:00:00 2452952.12500000 4.899800
31 2003-11-08 16:00:00 2452952.16666667 7.245627
32 2003-11-08 17:00:00 2452952.20833333 1.559531
33 2003-11-08 18:00:00 2452952.25000000 8.437391
34 2003-11-08 19:00:00 2452952.29166667 4.957201
35 2003-11-08 20:00:00 2452952.33333333 1.349833
36 2003-11-08 21:00:00 2452952.37500000 6.257467
37 2003-11-08 22:00:00 2452952.41666667 -1.221531
38 2003-11-08 23:00:00 2452952.45833333 0.552749
39 2003-11-09 00:00:00 2452952.50000000 -0.917920
40 2003-11-09 01:00:00 2452952.54166667 -4.394944
41 2003-11-09 02:00:00 2452952.58333333 -2.238189
42 2003-11-09 03:00:00 2452952.62500000 -1.062656
43 2003-11-09 04:00:00 2452952.66666667 3.813087
44 2003-11-09 05:00:00 2452952.70833333 -4.540094
45 2003-11-09 06:00:00 2452952.75000000 2.680210
46 2003-11-09 07:00:00 2452952.79166667 4.581881
47 2003-11-09 08:00:00 2452952.83333333 3.803750
48 2003-11-09 09:00:00 2452952.87500000 6.590574
49 2003-11-09 10:00:00 2452952.91666667 8.227202
这是结果图:
最佳答案
您对时间序列使用了完全错误的方法。
让我们看看线性回归在做什么:
julian_datetime label
0 2.452951e+06 6.696136
1 2.452951e+06 -5.293884
2 2.452951e+06 5.679681
3 2.452951e+06 4.411278
4 2.452951e+06 5.837476
所以基本上他会找到函数 f(x) = a*x +b 和你的 x= julian_datetime 和 f(x)= label。他将最小化标签预测的损失，所以问题是对于所有数字2.45,...,2.45他会找到另一个数字。但在时间序列中，您必须处理数据流!现在根本不包括时间。
将其添加到时间序列(这不是最好的方法)的一个示例是将所有前 2 个值作为特征添加到其中，使其看起来像:
julian_datetime julian_datetime-1 julian_datetime-2 label
0 2.452951e+06 6.696136
1 2.452951e+06 2.452951e+06 -5.293884
2 2.452951e+06 2.452951e+06 2.452951e+06 5.679681
3 2.452951e+06 2.452951e+06 2.452951e+06 4.411278
顺便说一句，为什么朱利安日期时间总是相同的值？啊，更糟糕了!您必须使用标签列作为先前的值，以便它看起来像:
y y-1 y-2
0 6.696136
1 -5.293884 6.696136
2 5.679681 -5.293884 6.696136
3
那么你的三角化是y-1, y-2，你的预测是y
关于python - 为什么我的预测值几乎相同(并且与平均值相似)？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/59958414/