预测汽车数量
预测汽车数量
提问于 2018-07-02 16:30:00
我从交通数据中预测汽车的数量。
这是我的数据字典：
“流量-主要道路(公里)”文件包含以下变量(变量名为粗体)：
- 年-从2000年起每年的交通量。
- CP (计数点)-连接AADF到公路网的道路连接的唯一参考。
- ONS GOR名称- CP所在的前政府办公室区域。
- ONS LA名称-- CP所在的地方当局。
- 路-这是道路名称(例如M25或A3)。
- RCat -道路类型的分类(请参阅完整列表的数据定义)。
- S参考- CP位置的东向坐标。
- S参考N-正坐标CP位置。
- A-交叉口-连接的起始路口的道路名称。
- B-交汇处-该路段末端交界处的道路名称
- LenNet -该公路总长(以公里为单位)。
- PC -踏板自行车的交通量(以千公里计)。
- 2 2WMV两轮机动车辆的交通量(以千公里计)。
- 汽车-车辆的交通量(以千公里为单位)，用于汽车和交通。
- 公共汽车-公共汽车和客车的交通量(千公里)
- 轻型货车-轻型货车的交通量(千公里)。
- HGVR2 -两刚轴高速货车的交通量(以千公里计).
- HGVR3 -三刚轴HGV的交通量(以千公里计).
- HGVR4 -四个或更多刚性车轴的交通量(以千公里为单位)。
- HGVA3 -三节或四节车轴的交通量(以千公里计)。
- HGVA5 -五铰接式车轴车辆的交通量(以千公里计).
- HGVA6 -六铰接式车轴车辆的交通量(以千公里计).
- HGV -所有HGV的交通量(以千公里为单位)。
- AMV -所有机动车辆的交通量(千公里)。
我需要预测变幅AMV。
所以，我有一个热编码的路，并保留日期，时间在我的特点。但是，很多道路都很大。我有太多的特征了。
你能建议我该怎么做吗？
回答 3
Data Science用户
发布于 2018-07-02 17:55:40
我有太多的特征了。
不，你没有:)。
首先，并不是所有的预测对于你想要做的预测都很重要。
我强烈建议使用推车随机森林来回归感兴趣的变量。如果您选择在python中使用来自射频算法包的sklearn进行编码，那么它实际上需要最少的编码。
它的最大优点是它的使用和理解是直接的，而且它还为你提供了训练后所有输入的学习feature_importances_，这样你就可以排除最不重要的输入，并在将来加速推理/训练。
-编辑-
要了解分类和回归决策树之间的差异，请检查此有用链接。
回归的决策树实现通常是C4.5、C5.0或CART算法。sklearn使用的是CART，请看此链接中的1.10.6节。
如何使用sklearn决策树进行回归的一个很好的例子是这。
Data Science用户
发布于 2018-07-18 13:56:25
据我所知，你的问题是关于特征选择。如果是这样的话，您可以尝试lasso回归，这是一种正则化技术，它缩小了预测器的系数，从而有助于特征选择。希望这能帮上忙。
Data Science用户
发布于 2020-03-11 14:13:37
即使我也同意，功能的数量较少。
我认为你应该按照以下的路线图来完成你的任务：
- 分析数据，找出缺少值的列。
- 尝试填充缺失的值(如果可能的话)，或者您也可以根据其中的空值删除列。
- 对于数据不是数值形式的所有列数据，使用一次热编码方法将数据转换为数值形式。
- 现在你的数据准备好接受训练了。同时，您还可以看到是否要删除任何功能或创建一个新的功能。
- 使用XGBoost、支持向量机、Lasso回归等任何回归算法来训练您的模型，并预测您的值。
- 为了验证模型的性能，您应该检查RMSE (根均方误差)。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/33897
复制相关文章
相似问题
腾讯云开发者
