让我所有的预测都偏向于二进制分类

如何解决让我所有的预测都偏向于二进制分类

我正在训练一个包含8个特征的模型，这些特征使我们能够预测房间出售的可能性。

• 区域：房间所属的区域（整数，取值介于1到10之间）

• 日期：停留日期（1-365之间的整数，这里我们只考虑一日请求）

• 工作日：星期几（1到7之间的整数）

• 公寓：房间是整个公寓（1）还是仅一个房间（0）

• #beds：房间中的床位数（1-4之间的整数）

• 评论：卖家的平均评论（1到5之间的连续变量）

• 图片质量：房间图片的质量（0到1之间的连续变量）

• 价格：房间的历史价格（连续变量）

• 接受：此帖子最后是否被接受（有人接受，为1）或不接受（0）*

“接受”列为“ y”。因此，这是一个二进制分类。

---

1. 我已经完成了OneHotEncoder的分类数据。
2. 我已对数据进行归一化。
3. 我修改了以下RandomRofrest参数：

• Max_depth：在16点达到峰值
• n_estimators：峰值为300
• min_samples_leaf： 高峰在2
• max_features：对AUC没有影响。

AUC达到0.7889的峰值。我还能做些什么来增加它？

---

这是我的代码

import pandas as pd
import numpy as np
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import OneHotEncoder
from sklearn.pipeline import make_pipeline
from sklearn.compose import make_column_transformer
from sklearn.model_selection import train_test_split
df_train = pd.read_csv('case2_training.csv')

# Exclude ID since it is not a feature
X,y = df_train.iloc[:,1:-1],df_train.iloc[:,-1]
y = y.astype(np.float32)

# Split the data
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.05,shuffle=False)

ohe = OneHotEncoder(sparse = False)
column_trans = make_column_transformer(
(OneHotEncoder(),['Region','Weekday','Apartment']),remainder='passthrough')
X_train = column_trans.fit_transform(X_train)
X_test = column_trans.fit_transform(X_test)

# Normalization
from sklearn.preprocessing import MaxAbsScaler
mabsc = MaxAbsScaler()

X_train = mabsc.fit_transform(X_train)
X_test = mabsc.transform(X_test)

X_train = X_train.astype(np.float32)
X_test = X_test.astype(np.float32)

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score

RF =  RandomForestClassifier(min_samples_leaf=2,random_state=0,n_estimators=300,max_depth = 16,n_jobs=-1,oob_score=True,max_features=i)
cross_val_score(RF,X_train,cv=5,scoring = 'roc_auc').mean()
RF.fit(X_train,y_train)
yhat = RF.predict_proba(X_test)

print("AUC:",roc_auc_score(y_test,yhat[:,-1]))

# Run the prediction on the given test set.
testset = pd.read_csv('case2_testing.csv')
testset = testset.iloc[:,1:] # exclude the 'ID' column
testset = column_trans.fit_transform(testset)
testset = mabsc.transform(testset)


yhat_2 = RF.predict_proba(testset)
final_prediction = yhat[:,-1]

但是，所有来自“ final_prediction”的概率均低于0.45，基本上，该模型认为所有样本均为0。 有人可以帮忙吗？

解决方法

您正在测试集上使用column_trans.fit_transform，这将完全覆盖训练期间安装的功能。基本上，数据现在采用的是您的训练模型无法理解的格式。

一旦在训练集上进行了训练，则之后只需使用column_trans.transform。