RMSEについてと、スコアを上げるための考え方

chun1182

RMSEについてと、スコアを上げるための考え方

import pandas as pd
import numpy as np
import sklearn
import sklearn.metrics
import category_encoders as ce 
import matplotlib.pyplot as plt
import lightgbm as lgb
%matplotlib inline

path=''
test_data = pd.read_csv(path+'test_data.csv')
train_data = pd.read_csv(path+'train_data.csv')
published_data = pd.read_csv(path+'published_land_price.csv')
print(test_df.shape, train_df.shape, published_df.shape)

(34844, 27) (356344, 28) (2602, 116)

plt.hist(train_data['y'], bins=20)
plt.show()


plt.hist(np.log10(train_data['y']), bins=20)
plt.show()

pd.cut(train_data['y'], [-1, 1, 10, 100, 1000, 10000, 100000]).value_counts(normalize=True)

(10, 100]          0.838403
(100, 1000]        0.078741
(1, 10]            0.076123
(1000, 10000]      0.004771
(-1, 1]            0.001830
(10000, 100000]    0.000132
Name: y, dtype: float64

train_data['最寄駅：距離（分）'] = train_data['最寄駅：距離（分）'].replace('30分?60分','45')
train_data['最寄駅：距離（分）'] = train_data['最寄駅：距離（分）'].replace('1H?1H30','75')
train_data['最寄駅：距離（分）'] = train_data['最寄駅：距離（分）'].replace('1H30?2H','105')
train_data['最寄駅：距離（分）'] = train_data['最寄駅：距離（分）'].replace('2H?','120')
train_data['最寄駅：距離（分）'] = pd.to_numeric(train_data['最寄駅：距離（分）'], errors='coerce')

train_data['建築年'] = train_data['建築年'].dropna()
train_data['建築年'] = train_data['建築年'].str.replace('戦前','昭和20年')
train_data['年号'] = train_data['建築年'].str[:2]
train_data['和暦年数'] = train_data['建築年'].str[2:].str.strip('年').fillna(0).astype(int)
train_data.loc[train_data['年号']=='昭和','建築年(西暦)'] = train_data['和暦年数'] + 1925
train_data.loc[train_data['年号']=='平成','建築年(西暦)'] = train_data['和暦年数'] + 1988

l = ['最寄駅：距離（分）','容積率（％）','建築年(西暦)']
for name in l:
    mean = np.nanmean(train_data[name], axis=0)
    std = np.nanstd(train_data[name], axis=0)
    train_data[name] = (train_data[name] - mean)/std
train_data.describe()

	id	市区町村コード	最寄駅：距離（分）	前面道路：幅員（ｍ）	建ぺい率（％）	容積率（％）	y	和暦年数	建築年(西暦)
count	356344.000000	356344.000000	3.462150e+05	193279.000000	350958.000000	3.509580e+05	356344.000000	356344.000000	2.735030e+05
mean	178172.500000	13140.019052	-1.358520e-13	6.257812	62.005482	-3.166953e-13	65.434766	20.850894	3.455073e-15
std	102867.796499	46.206047	1.000001e+00	4.902258	13.125221	1.000001e+00	315.011339	19.644583	1.000002e+00
min	1.000000	13101.000000	-1.096071e+00	1.000000	30.000000	-1.343050e+00	0.000500	0.000000	-3.782092e+00
25%	89086.750000	13110.000000	-5.877202e-01	4.000000	60.000000	-7.157682e-01	21.000000	3.000000	-6.865983e-01
50%	178172.500000	13117.000000	-2.827096e-01	5.000000	60.000000	-4.021274e-01	35.000000	17.000000	2.492487e-01
75%	267258.250000	13201.000000	2.256414e-01	6.000000	80.000000	2.251542e-01	53.000000	27.000000	7.531663e-01
max	356344.000000	13421.000000	1.110435e+01	90.000000	80.000000	6.497971e+00	61000.000000	64.000000	1.545037e+00

#使用する説明変数・目的変数を代入
model_input = train_data[['最寄駅：名称','最寄駅：距離（分）','容積率（％）','建築年(西暦)','y']]

#説明変数・目的変数についてnull値を含むレコードを除外
model_input = model_input.dropna(how='any', axis=0) 

#目的変数と説明変数を代入
X = model_input[['最寄駅：名称', '最寄駅：距離（分）', '容積率（％）', '建築年(西暦)']]
X = pd.get_dummies(X, drop_first=True).values
y = model_input['y'].values
print(X.shape, y.shape)

(262610, 648) (262610,)

----ここまではtutorialと同様-----

#5foldでモデルを作成、評価
from sklearn.model_selection import KFold
kf = KFold(n_splits=5, shuffle=True, random_state=1)
s = list(kf.split(X, y))

import sklearn
from sklearn.linear_model import LinearRegression as LR
from sklearn.metrics import mean_squared_error

for train_i, val_i in s:
    model = LR()
    model.fit(X[train_i], y[train_i])
    y_pred = model.predict(X[val_i])
    y_val = y[val_i]
    print('y_valの数：{}, 1000以上のy_valの数:{}, 100以下のy_valの数：{}'.format(len(y_val), len(y_val[y_val>1000]), len(y_val[y_val<100])))
    print('RMSE：', np.sqrt(mean_squared_error(y_val, y_pred)))
    print('1000以上をすべて当てた場合のRMSE：', np.sqrt(mean_squared_error(y_val, np.where(y_val>1000, y_val, y_pred))))
    print('100以下をすべて当てた場合のRMSE：', np.sqrt(mean_squared_error(y_val, np.where(y_val<100, y_val, y_pred))))
    break

y_valの数：52522, 1000以上のy_valの数:223, 100以下のy_valの数：48934
RMSE： 223.67193030133276
1000以上をすべて当てた場合のRMSE： 79.60272441095651
100以下をすべて当てた場合のRMSE： 218.30752617076064

今回の評価指標（RMSE）では全体の90%以上の100以下の値を推論するのはほとんど効果がなく、全体の5%程度の1000以上の値を予測するのに注力した方が良いと考えられる

添付データ

topic.ipynb?X-Amz-Expires=10800&X-Amz-Date=20241221T124032Z&X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=AKIAIP7GCBGMWPMZ42PQ

RMSEについてと、スコアを上げるための考え方

添付データ

chun1182

new user