如何提高随机森林回归预测结果
How to improve Random forest regression prediction result
我正在使用机器学习随机森林回归进行停车位占用预测。我有6个特征，我尝试实现随机森林模型但结果并不好，因为我对此很陌生我不知道什么样的模型适合这种问题。我的数据集很大，有 4700 万行。我也使用过随机搜索简历，但我无法改进模型。请查看下面的代码，并帮助改进或建议其他模型。
使用的特征是借助带缓冲区的停车场位置数据提取的。请帮助我改进。
因此，您使用的变量是：
['restaurants_pts','population','res_percent','com_percent','supermarkt_pts','bank_pts']
我看到的是，对于同一个停车场，这些变量不会改变，所以回归只会预测停车场的“平均”占用率。您的问题的关键部分之一似乎是下午 5 点和凌晨 4 点的入住率不一样...
我建议您处理一个时间变量（例如：到达）以便它可用。
模型本身无法理解变量，但您可以对其进行处理以使用它创建类别。例如，您进行仅选择变量的 HOUR 的预处理，然后使用它进行分类（每小时作为一个类别，或更大的类别，如 ['noon - 6am'、'6am - 10am'、'10am - 2pm ', '下午 2 点 - 6 点', '下午 6 点 - 中午'])
我正在使用机器学习随机森林回归进行停车位占用预测。我有6个特征，我尝试实现随机森林模型但结果并不好，因为我对此很陌生我不知道什么样的模型适合这种问题。我的数据集很大，有 4700 万行。我也使用过随机搜索简历，但我无法改进模型。请查看下面的代码，并帮助改进或建议其他模型。
使用的特征是借助带缓冲区的停车场位置数据提取的。请帮助我改进。
因此，您使用的变量是： ['restaurants_pts','population','res_percent','com_percent','supermarkt_pts','bank_pts']
我看到的是，对于同一个停车场，这些变量不会改变，所以回归只会预测停车场的“平均”占用率。您的问题的关键部分之一似乎是下午 5 点和凌晨 4 点的入住率不一样...
我建议您处理一个时间变量（例如：到达）以便它可用。 模型本身无法理解变量，但您可以对其进行处理以使用它创建类别。例如，您进行仅选择变量的 HOUR 的预处理，然后使用它进行分类（每小时作为一个类别，或更大的类别，如 ['noon - 6am'、'6am - 10am'、'10am - 2pm ', '下午 2 点 - 6 点', '下午 6 点 - 中午'])