MLP with Scikitlearn：用于预测的人工神经网络应用

Question

我有交通数据，我想通过显示 model 这些输入来预测下一小时的车辆数量：这一小时的车辆数量和这一小时的平均速度值。 这是我的代码：

dataset=pd.read_csv('/content/final - Sayfa5.csv',delimiter=',') 
dataset=dataset[[ 'MINIMUM_SPEED', 'MAXIMUM_SPEED', 'AVERAGE_SPEED','NUMBER_OF_VEHICLES','1_LAG_NO_VEHICLES']]
X = np.array(dataset.iloc[:,1:4])
L = len(dataset)
Y = np.array([dataset.iloc[:,4]])
Y= Y[:,0:L]
Y = np.transpose(Y)

#scaling with MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(X)
X = scaler.transform(X)
 
scaler.fit(Y)
Y = scaler.transform(Y)
print(X,Y)

X_train , X_test, Y_train, Y_test = train_test_split(X,Y,test_size=0.3)
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error 
mlp = MLPRegressor(activation='logistic')
mlp.fit(X_train,Y_train)
predictions = mlp.predict(X_test)
predictions1=mlp.predict(X_train)
print("mse_test :" ,mean_squared_error(Y_test,predictions), "mse_train :",mean_squared_error(Y_train,predictions1))

我得到了很好的 mse 值，例如 mse_test: 0.005467816018933008 mse_train: 0.005072774796622158

但我对两点感到困惑：

1. 我是否应该缩放 y 值，我读了很多博客写的不应该缩放 Y，只缩放 X_train 和 X_test。 但是我的 mse 分数太差了，比如 49,50,100 甚至更高。

2. 我怎样才能得到对未来的预测，但不能得到缩放值。 例如我写道：

    Xnew=[[ 80 , 40 , 47],
    [ 80 , 30,  81],
    [ 80 , 33, 115]]
    Xnew = scaler.transform(Xnew)
    print("prediction for that input is" , mlp.predict(Xnew))

但是我得到了缩放值，例如：该输入的预测是[0.08533431 0.1402755 0.19497315]

应该是这样的[81,115,102] 。

Answer 1

恭喜您使用[sklearn's MLPRegressor][1] ，介绍神经网络总是一件好事。

缩放输入数据对于神经网络至关重要。 考虑查看Ethan Alpaydin 的机器学习简介的第 11 章。 这在Efficient BackProp 论文中也有详细介绍。 简而言之，缩放输入数据至关重要，这样您的 model 才能了解如何定位 output。

用英语来说，在这种情况下， scaling意味着将您的数据转换为0 and 1 （含）之间的值。 一篇很好的Stats Exchange 帖子描述了缩放的差异。 对于 MinMax 缩放，您要保持数据的相同分布，包括对异常值敏感。 sklearn中确实存在更强大的方法（在那篇文章中描述），例如RobustScaler 。

因此，以一个非常基本的数据集为例：

| Feature 1 | Feature 2 | Feature 3 | Feature 4 | Feature 5 | Target |
|:---------:|:---------:|:---------:|:---------:|:---------:|:------:|
|     1     |     17    |     22    |     3     |     3     |   53   |
|     2     |     18    |     24    |     5     |     4     |   54   |
|     1     |     11    |     22    |     2     |     5     |   96   |
|     5     |     20    |     22    |     7     |     5     |   59   |
|     3     |     10    |     26    |     4     |     5     |   66   |
|     5     |     14    |     30    |     1     |     4     |   63   |
|     2     |     17    |     30    |     9     |     5     |   93   |
|     4     |     5     |     27    |     1     |     5     |   91   |
|     3     |     20    |     25    |     7     |     4     |   70   |
|     4     |     19    |     23    |     10    |     4     |   81   |
|     3     |     13    |     8     |     19    |     5     |   14   |
|     9     |     18    |     3     |     67    |     5     |   35   |
|     8     |     12    |     3     |     34    |     7     |   25   |
|     5     |     15    |     6     |     12    |     6     |   33   |
|     2     |     13    |     2     |     4     |     8     |   21   |
|     4     |     13    |     6     |     28    |     5     |   46   |
|     7     |     17    |     7     |     89    |     6     |   21   |
|     4     |     18    |     4     |     11    |     8     |    5   |
|     9     |     19    |     7     |     21    |     5     |   30   |
|     6     |     14    |     6     |     17    |     7     |   73   |

我可以稍微修改你的代码来玩这个：

import pandas as pd, numpy as np
from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import RobustScaler
from sklearn.metrics import mean_squared_error 

df = pd.read_clipboard()

# Build data
y = df['Target'].to_numpy()
scaled_y = df['Target'].values.reshape(-1, 1) #returns a numpy array
df.drop('Target', inplace=True, axis=1)
X = df.to_numpy()

#scaling with RobustScaler
scaler = RobustScaler()
X = scaler.fit_transform(X)

# Scaling y just to show you the difference
scaled_y = scaler.fit_transform(scaled_y)

# Set random_state so we can replicate results
X_train , X_test, y_train, y_test = train_test_split(X,y,test_size=0.2, random_state=8)
scaled_X_train , scaled_X_test, scaled_y_train, scaled_y_test = train_test_split(X,scaled_y,test_size=0.2, random_state=8)

mlp = MLPRegressor(activation='logistic')
scaled_mlp = MLPRegressor(activation='logistic')

mlp.fit(X_train, y_train)
scaled_mlp.fit(scaled_X_train, scaled_y_train)

preds = mlp.predict(X_test)
scaled_preds = mlp.predict(scaled_X_test)

for pred, scaled_pred, tar, scaled_tar in zip(preds, scaled_preds, y_test, scaled_y_test):
    print("Regular MLP:")
    print("Prediction: {} | Actual: {} | Error: {}".format(pred, tar, tar-pred))
    
    print()
    print("MLP that was shown scaled labels: ")
    print("Prediction: {} | Actual: {} | Error: {}".format(scaled_pred, scaled_tar, scaled_tar-scaled_pred))

简而言之，缩小你的目标自然会缩小你的错误，因为你的 model 不是在学习实际值，而是在 0 和 1 之间的值。

这就是我们不缩放目标变量的原因，因为我们将值强制为0...1空间，因此误差自然会更小。

Answer 2

1. 您无法比较这两个模型之间的 MSE，因为它取决于比例。 很明显，当您缩放 y 时，您的 MSE 会更小，因为通过应用 MinMaxScaler，y（在您的情况下）会变小。 当您“取消缩放”您的预测和实际 y 值并再次计算 MSE 时，它应该与具有原始 y 值的 model 相同（虽然不是 100% 确定）。

主要内容：不要仅在 model 内比较型号之间的 MSE。 MSE 的绝对值很难解释。

2. 我不确定我是否明白你的问题。 我想你是问那些你用缩放的 y 值训练你的 model 的人，你怎么能在比例是车辆数量的意义上预测 y。 如果这是一个问题，这正是你不应该缩放 y 的原因。

MinMaxScaler 所做的是计算以下内容：

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min

另请参阅MinMaxScaler 文档。 之后您可以尝试反向计算预测，但我认为这没有意义

Answer 3

1. 由于这是一个回归问题，在这种情况下，您可能不想缩放目标/响应变量。 您将需要缩放某些特征，特别是考虑与可能是二进制的其他特征配对的大数量级数字。 但是如果没有看到完整的数据集，我无法确认这是否是 go 的方式。 此外，您应该将此与基线 model 进行比较。 45,000 的 MSE 可能看起来很糟糕，但如果基线的 MSE 是 10 倍，那么您的 model 只会在基线 MSE 上提高 1000%。

TL;DR 仅在特征量级不同或给定特征中存在较大异常值时才尝试缩放。 在此处输入代码

2. 如果您不缩放目标变量，则无需尝试“重新缩放”。 但是，如果您需要/想要，可以在此处查看使用 TransformedTargetRegressor