Datamängdsförskjutning

Att designa maskininlärningsflöden i Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Vad är datamängdsförskjutning?

elec-datamängden:

2 års data.
class=1 innebär att priset gick upp jämfört med de senaste 24 timmarna, och 0 betyder ner.

   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]

Vad innebär förskjutning?

Två klasser i två dimensioner separerade av en krökt beslutsgräns.

Vad innebär förskjutning?

Två klasser i två dimensioner separerade av en krökt beslutsgräns, och bredvid en bild med liknande klassplacering men en annorlunda formad beslutsgräns.

Fönster

Glidande fönster

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

En datamängd där endast de senaste datapunkterna är markerade.

Expanderande fönster

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

En datamängd visad i en terminal.

Detektering av datamängdsförskjutning

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

# Use future data as test
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

Fönsterstorlek

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 plottat mot fönsterstorlek visar en ökning till ett maximum på 0,83 vid ett fönster på 50, och därefter en minskning.

Domänförskjutning

arrhythmia-datamängden:

   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]

Mer data är inte alltid bättre!

Att designa maskininlärningsflöden i Python