数据集偏移

用 Python 设计机器学习工作流

Dr. Chris Anagnostopoulos

Honorary Associate Professor

什么是数据集偏移？

elec 数据集：

  • 覆盖 2 年数据。
  • class=1 表示相对过去 24 小时价格"上升"，0 表示"下降"。
   day    period  nswprice  ...    vicdemand  transfer  class
0    2  0.000000  0.056443  ...     0.422915  0.414912      1
1    2  0.553191  0.042482  ...     0.422915  0.414912      0
2    2  0.574468  0.044374  ...     0.422915  0.414912      1

[3 rows x 8 columns]
用 Python 设计机器学习工作流

究竟在"偏移"什么？

二维空间中两类由一条弯曲的决策边界分开。

用 Python 设计机器学习工作流

究竟在"偏移"什么？

二维空间中两类由一条弯曲的决策边界分开；旁边图中类位置相近，但决策边界形状不同。

用 Python 设计机器学习工作流

窗口

滑动窗口

window = (t_now-window_size+1):t_now
sliding_window = elec.loc[window]

仅高亮最近数据点的数据集。

扩展窗口

window = 0:t_now
expanding_window = elec.loc[window]

在终端中展示的数据集。

用 Python 设计机器学习工作流

检测数据集偏移

# t_now = 40000, window_size = 20000
clf_full = RandomForestClassifier().fit(X, y)
clf_sliding = RandomForestClassifier().fit(sliding_X, sliding_y)

# 使用未来数据作测试集
test = elec.loc[t_now:elec.shape[0]]
test_X = test.drop('class', 1); test_y = test['class']

roc_auc_score(test_y, clf_full.predict(test_X))
roc_auc_score(test_y, clf_sliding.predict(test_X))

0.775
0.780
用 Python 设计机器学习工作流

窗口大小

for w_size in range(10, 100, 10):
    sliding = arrh.loc[
      (t_now - w_size + 1):t_now
    ]
    X = sliding.drop('class', 1)
    y = sliding['class']
    clf = GaussianNB()
    clf.fit(X, y)
    preds = clf.predict(test_X)
    roc_auc_score(test_y, preds)

AUC 随窗口大小先升至窗口为 50 时的最大值 0.83，随后下降。

用 Python 设计机器学习工作流

领域偏移

arrhythmia 数据集：

   age  sex  height  ...    chV6_TwaveAmp  chV6_QRSA  chV6_QRSTA  class
0   75    0     190  ...              2.9       23.3        49.4      0
1   56    1     165  ...              2.1       20.4        38.8      0
2   54    0     172  ...              3.4       12.3        49.0      0
3   55    0     175  ...              2.6       34.6        61.6      1
4   75    0     190  ...              3.9       25.4        62.8      0

[5 rows x 280 columns]
用 Python 设计机器学习工作流

数据不一定越多越好！

用 Python 设计机器学习工作流

Preparing Video For Download...