Я начал с наивного численного прогноза. Вот обучающие данныеЧисленное прогнозирование с использованием машинного обучения
https://gist.github.com/karimkhanp/75d6d5f9c4fbaaaaffe8258073d00a75
Тестовые данные
https://gist.github.com/karimkhanp/0f93ecf5fe8ec5fccc8a7f360a6c3950
Я написал основной scikit узнать код для обучения и тестирования.
import pandas as pd
import pylab as pl
from sklearn import datasets
from sklearn import metrics, linear_model
from sklearn.linear_model import LogisticRegression, LinearRegression, BayesianRidge, OrthogonalMatchingPursuitCV, SGDRegressor
from datetime import datetime, date, timedelta
class NumericPrediction(object):
def __init__(self):
pass
def dataPrediction(self):
Train = pd.read_csv("data_scientist_assignment.tsv", sep='\t', parse_dates=['date'])
Train_visualize = Train
Train['timestamp'] = Train.date.values.astype(pd.np.int64)
Train_visualize['date'] = Train['timestamp']
print Train.describe()
x1=["timestamp", "hr_of_day"]
test=pd.read_csv("test.tsv", sep='\t', parse_dates=['date'])
test['timestamp'] = test.date.values.astype(pd.np.int64)
model = LinearRegression()
model.fit(Train[x1], Train["vals"])
# print(model)
# print model.score(Train[x1], Train["vals"])
print model.predict(test[x1])
Train.hist()
pl.show()
if __name__ == '__main__':
NumericPrediction().dataPrediction()
Но точность здесь очень низкая. Потому что подход очень наивный. Любое лучшее предложение по повышению точности (с точки зрения алгоритма, примера, ссылки, библиотеки)?