1

Прогнозирование заработной платы. Набор данных около 40 000 записей (должность, опыт работы, компания, график и тд). Оценка R^2 около 35-40%. Использую регрессоры из sklearn и кроссвалидацию.

gb_reg = GradientBoostingRegressor(random_state=0, **params)
gb = cross_validate(gb_reg, X, y, cv=5, scoring=('r2', 
                                             'neg_mean_absolute_error'),
                    return_train_score=True)

Можно ли каким-то образом вывести на экран значения столбцов, истинные и предсказанные, чтобы понять в чем конкретно ошибается модель?

1 ответ 1

1

Что-то такое:

from sklearn.model_selection import KFold

kf = KFold(n_splits=5)

for train_index, test_index in kf.split(X):
    X_train, X_test = X.loc[train_index], X.loc[test_index]
    y_train, y_test = y[train_index], y[test_index]
    gb_reg.fit(X_train, y_train)
    y_pred = gb_reg.predict(X_test)
    # тут вопрос - какая разница предсказания и истинных значений вас интересует?
    diff_mask = (y_pred - y_test).abs() > 1 # подберите интересующую вас разницу
    X_diff = X_test.copy()
    X_diff['y_true'] = y_test
    X_diff['y_pred'] = y_pred
    print(X_diff[diff_mask])
6
  • а выходные данные "y" мы получается сюда не передаем? они ведь тоже должны делиться на обучающие и тестовые 25 мая 2022 в 13:15
  • в строке X_train, X_test = X[train_index], X[test_index] выдает ошибку KeyError: "None of [Int64Index([ 7546, 7547, 7548, 7549, 7550, 7551, 7552, 7553, 7554,\n 7555,\n ...\n 37718, 37719, 37720, 37721, 37722, 37723, 37724, 37725, 37726,\n 37727],\n dtype='int64', length=30182)] are in the [columns]" 25 мая 2022 в 13:18
  • 1
    y тоже делится, сразу за X. Просто в сам split его не нужно передавать, там индексы образуются, для их генерации достаточно X. А по второму вопросу я поменял код, там X.loc надо делать. Но может и ещё где ошибки выйдут, я так, навскидку код писал. Просто чтобы принцип сам показать, куда вам смотреть
    – CrazyElf
    25 мая 2022 в 13:38
  • спасибо, то, что нужно! 25 мая 2022 в 15:26
  • 1
    Примерно да. У вас там cv=5 параметр стоит, значит такая же 5-фолдовая кросс-валидация. Я только не помню как там итоговая точность считается - усредняется точность за все фолды что ли. Но в общем да, вроде бы должно быть тоже самое.
    – CrazyElf
    25 мая 2022 в 15:46

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.