我正在尝试预测在IMDb上制作的每部电影的利润。
我的数据框和功能如下:
Actor1 Actor2 Actor3 Actor4 Day Director Genre1 Genre2 Genre3 \
0 0 0 0 0 19.0 0 0 0 0
1 1 1 1 1 6.0 1 1 1 1
2 2 2 2 2 20.0 2 0 2 2
3 3 3 3 3 9.0 3 2 0 -1
4 4 4 4 4 9.0 4 3 3 3
Language Month Production Rated Runtime Writer Year BoxOffice
0 1 0 0 0 118.0 0 2007.0 37500000.0
1 2 1 1 0 151.0 1 2006.0 132300000.0
2 1 1 2 1 130.0 2 2006.0 53100000.0
3 1 2 1 0 117.0 3 2007.0 210500000.0
4 4 3 3 2 117.0 4 2006.0 244052771.0
而我要预测的值(目标)是BoxOffice。
我正在严格按照sklearn的说明进行操作(http://scikit-learn.org/stable/modules/generation/sklearn.metrics.mean_squared_error.html#sklearn.metrics.mean_squared_error)
from sklearn import preprocessing, linear_model
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split, cross_val_score
X = dataset[:,0:16] # Features
Y = dataset[:,16] #Target
X_train, X_test, Y_train, Y_test = train_test_split(X,Y, test_size=0.33)
regr = linear_model.LinearRegression()
regr.fit(X_train,Y_train)
mean_squared_error(Y_test, regr.predict(X_test))
输出总是类似以下内容:11385650623660550($ 11,385,650,623,660,500.00)
而票房的平均值是:107989121
等等
我尝试了多种不同的方法,交叉验证以及其他模型(keras),感觉就像我已经尝试了一切。
返回的总和非常高,这使我感到疑问,问题不在模型或数据中,而是我所缺少的其他东西。
我认为,您的问题与均方误差无关,而是模型本身。
对于您的分类功能,我建议您尝试其他编码方法,例如OneHotEncoder。LabelEncoder不是进行线性回归的好选择。
(有关详细信息,请访问:http : //scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html
https://hackernoon.com/what-is-one-hot-encoding-why-and-when-do-you-have-to-use-it-e3c6186d008f)
在训练模型之前,请先看一下数字特征与目标变量之间的相关性,也许其中一些是不相关的,对于分类特征,您可以尝试不同的方法来分析其与目标变量的关系(例如箱线图)
线性回归需要连续的变量,因此您可能还需要尝试其他算法。只需确保您具有足够的背景,然后再应用它们即可。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句