Thoroughly refactor regression runner.
parent
47b1ecdbb9
commit
b505fb2b6a
|
@ -13,438 +13,36 @@
|
||||||
# name: straw2analysis
|
# name: straw2analysis
|
||||||
# ---
|
# ---
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
# %%
|
||||||
# %matplotlib inline
|
|
||||||
import os
|
import os
|
||||||
import sys
|
import sys
|
||||||
|
|
||||||
import numpy as np
|
|
||||||
import pandas as pd
|
import pandas as pd
|
||||||
import xgboost as xg
|
|
||||||
from machine_learning.helper import prepare_regression_model_input
|
|
||||||
from sklearn import gaussian_process, kernel_ridge, linear_model, svm
|
|
||||||
from sklearn.dummy import DummyRegressor
|
|
||||||
from sklearn.impute import SimpleImputer
|
|
||||||
from sklearn.model_selection import LeaveOneGroupOut, cross_validate
|
|
||||||
|
|
||||||
# from IPython.core.interactiveshell import InteractiveShell
|
from machine_learning.helper import (
|
||||||
# InteractiveShell.ast_node_interactivity = "all"
|
impute_encode_categorical_features,
|
||||||
|
prepare_cross_validator,
|
||||||
|
prepare_sklearn_data_format,
|
||||||
|
run_all_regression_models,
|
||||||
|
)
|
||||||
|
|
||||||
nb_dir = os.path.split(os.getcwd())[0]
|
nb_dir = os.path.split(os.getcwd())[0]
|
||||||
if nb_dir not in sys.path:
|
if nb_dir not in sys.path:
|
||||||
sys.path.append(nb_dir)
|
sys.path.append(nb_dir)
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
# %%
|
||||||
model_input = pd.read_csv(
|
model_input = pd.read_csv(
|
||||||
"../data/intradaily_30_min_all_targets/input_JCQ_job_demand_mean.csv"
|
"../data/intradaily_30_min_all_targets/input_JCQ_job_demand_mean.csv"
|
||||||
)
|
)
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
cv_method = "half_logo" # logo, half_logo, 5kfold
|
|
||||||
|
|
||||||
train_x, data_y, data_groups = prepare_regression_model_input(model_input, cv_method)
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
logo = LeaveOneGroupOut()
|
|
||||||
logo.get_n_splits(
|
|
||||||
train_x,
|
|
||||||
data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
)
|
|
||||||
|
|
||||||
# Defaults to 5 k folds in cross_validate method
|
|
||||||
if cv_method != "logo" and cv_method != "half_logo":
|
|
||||||
logo = None
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
sum(data_y.isna())
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### Baseline: Dummy Regression (mean)
|
|
||||||
dummy_regr = DummyRegressor(strategy="mean")
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
imputer = SimpleImputer(missing_values=np.nan, strategy="mean")
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
dummy_regressor = cross_validate(
|
|
||||||
dummy_regr,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error",
|
|
||||||
np.median(dummy_regressor["test_neg_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(dummy_regressor["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(dummy_regressor["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(dummy_regressor["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### Linear Regression
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
lin_reg_rapids = linear_model.LinearRegression()
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
imputer = SimpleImputer(missing_values=np.nan, strategy="mean")
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
lin_reg_scores = cross_validate(
|
|
||||||
lin_reg_rapids,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error",
|
|
||||||
np.median(lin_reg_scores["test_neg_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(lin_reg_scores["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(lin_reg_scores["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(lin_reg_scores["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### XGBRegressor Linear Regression
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
xgb_r = xg.XGBRegressor(objective="reg:squarederror", n_estimators=10)
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
imputer = SimpleImputer(missing_values=np.nan, strategy="mean")
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
xgb_reg_scores = cross_validate(
|
|
||||||
xgb_r,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error",
|
|
||||||
np.median(xgb_reg_scores["test_neg_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(xgb_reg_scores["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(xgb_reg_scores["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(xgb_reg_scores["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### XGBRegressor Pseudo Huber Error Regression
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
xgb_psuedo_huber_r = xg.XGBRegressor(objective="reg:pseudohubererror", n_estimators=10)
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
imputer = SimpleImputer(missing_values=np.nan, strategy="mean")
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
xgb_psuedo_huber_reg_scores = cross_validate(
|
|
||||||
xgb_psuedo_huber_r,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error",
|
|
||||||
np.median(xgb_psuedo_huber_reg_scores["test_neg_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(xgb_psuedo_huber_reg_scores["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(xgb_psuedo_huber_reg_scores["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(xgb_psuedo_huber_reg_scores["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### Ridge regression
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
ridge_reg = linear_model.Ridge(alpha=0.5)
|
|
||||||
|
|
||||||
# %% tags=[] jupyter={"source_hidden": true}
|
|
||||||
ridge_reg_scores = cross_validate(
|
|
||||||
ridge_reg,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error",
|
|
||||||
np.median(ridge_reg_scores["test_neg_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(ridge_reg_scores["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(ridge_reg_scores["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(ridge_reg_scores["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### Lasso
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
lasso_reg = linear_model.Lasso(alpha=0.1)
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
lasso_reg_score = cross_validate(
|
|
||||||
lasso_reg,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error",
|
|
||||||
np.median(lasso_reg_score["test_neg_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(lasso_reg_score["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(lasso_reg_score["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(lasso_reg_score["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### Bayesian Ridge
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
bayesian_ridge_reg = linear_model.BayesianRidge()
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
bayesian_ridge_reg_score = cross_validate(
|
|
||||||
bayesian_ridge_reg,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error",
|
|
||||||
np.median(bayesian_ridge_reg_score["test_neg_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(bayesian_ridge_reg_score["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(bayesian_ridge_reg_score["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(bayesian_ridge_reg_score["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### RANSAC (outlier robust regression)
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
ransac_reg = linear_model.RANSACRegressor()
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
ransac_reg_scores = cross_validate(
|
|
||||||
ransac_reg,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error",
|
|
||||||
np.median(ransac_reg_scores["test_neg_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(ransac_reg_scores["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(ransac_reg_scores["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(ransac_reg_scores["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### Support vector regression
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
svr = svm.SVR()
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
svr_scores = cross_validate(
|
|
||||||
svr,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error", np.median(svr_scores["test_neg_mean_squared_error"])
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(svr_scores["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(svr_scores["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(svr_scores["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### Kernel Ridge regression
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
kridge = kernel_ridge.KernelRidge()
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
kridge_scores = cross_validate(
|
|
||||||
kridge,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error",
|
|
||||||
np.median(kridge_scores["test_neg_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(kridge_scores["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(kridge_scores["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(kridge_scores["test_r2"]))
|
|
||||||
|
|
||||||
# %% [markdown]
|
|
||||||
# ### Gaussian Process Regression
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
gpr = gaussian_process.GaussianProcessRegressor()
|
|
||||||
|
|
||||||
# %% jupyter={"source_hidden": true}
|
|
||||||
|
|
||||||
gpr_scores = cross_validate(
|
|
||||||
gpr,
|
|
||||||
X=imputer.fit_transform(train_x),
|
|
||||||
y=data_y,
|
|
||||||
groups=data_groups,
|
|
||||||
cv=logo,
|
|
||||||
n_jobs=-1,
|
|
||||||
scoring=(
|
|
||||||
"r2",
|
|
||||||
"neg_mean_squared_error",
|
|
||||||
"neg_mean_absolute_error",
|
|
||||||
"neg_root_mean_squared_error",
|
|
||||||
),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Squared Error", np.median(gpr_scores["test_neg_mean_squared_error"])
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Mean Absolute Error",
|
|
||||||
np.median(gpr_scores["test_neg_mean_absolute_error"]),
|
|
||||||
)
|
|
||||||
print(
|
|
||||||
"Negative Root Mean Squared Error",
|
|
||||||
np.median(gpr_scores["test_neg_root_mean_squared_error"]),
|
|
||||||
)
|
|
||||||
print("R2", np.median(gpr_scores["test_r2"]))
|
|
||||||
|
|
||||||
# %%
|
# %%
|
||||||
|
CV_METHOD = "half_logo" # logo, half_logo, 5kfold
|
||||||
|
|
||||||
|
model_input_encoded = impute_encode_categorical_features(model_input)
|
||||||
|
# %%
|
||||||
|
data_x, data_y, data_groups = prepare_sklearn_data_format(
|
||||||
|
model_input_encoded, CV_METHOD
|
||||||
|
)
|
||||||
|
cross_validator = prepare_cross_validator(data_x, data_y, data_groups, CV_METHOD)
|
||||||
|
# %%
|
||||||
|
scores = run_all_regression_models(data_x, data_y, data_groups, cross_validator)
|
||||||
|
|
|
@ -11,7 +11,12 @@ from sklearn import (
|
||||||
svm,
|
svm,
|
||||||
)
|
)
|
||||||
from sklearn.dummy import DummyClassifier, DummyRegressor
|
from sklearn.dummy import DummyClassifier, DummyRegressor
|
||||||
from sklearn.model_selection import LeaveOneGroupOut, cross_validate
|
from sklearn.model_selection import (
|
||||||
|
BaseCrossValidator,
|
||||||
|
LeaveOneGroupOut,
|
||||||
|
StratifiedKFold,
|
||||||
|
cross_validate,
|
||||||
|
)
|
||||||
from xgboost import XGBClassifier, XGBRegressor
|
from xgboost import XGBClassifier, XGBRegressor
|
||||||
|
|
||||||
|
|
||||||
|
@ -73,7 +78,40 @@ def insert_row(df, row):
|
||||||
return pd.concat([df, pd.DataFrame([row], columns=df.columns)], ignore_index=True)
|
return pd.concat([df, pd.DataFrame([row], columns=df.columns)], ignore_index=True)
|
||||||
|
|
||||||
|
|
||||||
def prepare_sklearn_data_format(model_input, cv_method="logo"):
|
def impute_encode_categorical_features(model_input: pd.DataFrame) -> pd.DataFrame:
|
||||||
|
categorical_feature_col_names = [
|
||||||
|
"gender",
|
||||||
|
"startlanguage",
|
||||||
|
"limesurvey_demand_control_ratio_quartile",
|
||||||
|
]
|
||||||
|
additional_categorical_features = [
|
||||||
|
col
|
||||||
|
for col in model_input.columns
|
||||||
|
if "mostcommonactivity" in col or "homelabel" in col
|
||||||
|
]
|
||||||
|
categorical_feature_col_names += additional_categorical_features
|
||||||
|
|
||||||
|
categorical_features = model_input[categorical_feature_col_names].copy()
|
||||||
|
|
||||||
|
mode_categorical_features = categorical_features.mode().iloc[0]
|
||||||
|
# fillna with mode
|
||||||
|
categorical_features = categorical_features.fillna(mode_categorical_features)
|
||||||
|
# one-hot encoding
|
||||||
|
categorical_features = categorical_features.apply(
|
||||||
|
lambda col: col.astype("category")
|
||||||
|
)
|
||||||
|
if not categorical_features.empty:
|
||||||
|
categorical_features = pd.get_dummies(categorical_features)
|
||||||
|
|
||||||
|
numerical_features = model_input.drop(categorical_feature_col_names, axis=1)
|
||||||
|
|
||||||
|
model_input = pd.concat([numerical_features, categorical_features], axis=1)
|
||||||
|
return model_input
|
||||||
|
|
||||||
|
|
||||||
|
def prepare_sklearn_data_format(
|
||||||
|
model_input: pd.DataFrame, cv_method: str = "logo"
|
||||||
|
) -> tuple:
|
||||||
index_columns = [
|
index_columns = [
|
||||||
"local_segment",
|
"local_segment",
|
||||||
"local_segment_label",
|
"local_segment_label",
|
||||||
|
@ -107,50 +145,30 @@ def prepare_sklearn_data_format(model_input, cv_method="logo"):
|
||||||
return data_x, data_y, data_groups
|
return data_x, data_y, data_groups
|
||||||
|
|
||||||
|
|
||||||
def prepare_regression_model_input(model_input, cv_method="logo"):
|
def prepare_cross_validator(
|
||||||
data_x, data_y, data_groups = prepare_sklearn_data_format(
|
data_x: pd.DataFrame,
|
||||||
model_input, cv_method=cv_method
|
data_y: pd.DataFrame,
|
||||||
)
|
data_groups: pd.DataFrame,
|
||||||
|
cv_method: str = "logo",
|
||||||
categorical_feature_colnames = [
|
) -> BaseCrossValidator:
|
||||||
"gender",
|
if cv_method == "logo" or cv_method == "half_logo":
|
||||||
"startlanguage",
|
cv = LeaveOneGroupOut()
|
||||||
"limesurvey_demand_control_ratio_quartile",
|
cv.get_n_splits(
|
||||||
]
|
data_x,
|
||||||
additional_categorical_features = [
|
data_y,
|
||||||
col
|
groups=data_groups,
|
||||||
for col in data_x.columns
|
)
|
||||||
if "mostcommonactivity" in col or "homelabel" in col
|
else:
|
||||||
]
|
cv = StratifiedKFold(n_splits=5, shuffle=True)
|
||||||
categorical_feature_colnames += additional_categorical_features
|
return cv
|
||||||
|
|
||||||
categorical_features = data_x[categorical_feature_colnames].copy()
|
|
||||||
|
|
||||||
mode_categorical_features = categorical_features.mode().iloc[0]
|
|
||||||
# fillna with mode
|
|
||||||
categorical_features = categorical_features.fillna(mode_categorical_features)
|
|
||||||
# one-hot encoding
|
|
||||||
categorical_features = categorical_features.apply(
|
|
||||||
lambda col: col.astype("category")
|
|
||||||
)
|
|
||||||
if not categorical_features.empty:
|
|
||||||
categorical_features = pd.get_dummies(categorical_features)
|
|
||||||
|
|
||||||
numerical_features = data_x.drop(categorical_feature_colnames, axis=1)
|
|
||||||
|
|
||||||
train_x = pd.concat([numerical_features, categorical_features], axis=1)
|
|
||||||
|
|
||||||
return train_x, data_y, data_groups
|
|
||||||
|
|
||||||
|
|
||||||
def run_all_regression_models(train_x, data_y, data_groups):
|
def run_all_regression_models(
|
||||||
# Prepare cross validation
|
data_x: pd.DataFrame,
|
||||||
logo = LeaveOneGroupOut()
|
data_y: pd.DataFrame,
|
||||||
logo.get_n_splits(
|
data_groups: pd.DataFrame,
|
||||||
train_x,
|
cross_validator: BaseCrossValidator,
|
||||||
data_y,
|
) -> pd.DataFrame:
|
||||||
groups=data_groups,
|
|
||||||
)
|
|
||||||
metrics = ["r2", "neg_mean_absolute_error", "neg_root_mean_squared_error"]
|
metrics = ["r2", "neg_mean_absolute_error", "neg_root_mean_squared_error"]
|
||||||
test_metrics = ["test_" + metric for metric in metrics]
|
test_metrics = ["test_" + metric for metric in metrics]
|
||||||
scores = pd.DataFrame(columns=["method", "max", "nanmedian"])
|
scores = pd.DataFrame(columns=["method", "max", "nanmedian"])
|
||||||
|
@ -159,10 +177,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
dummy_regr = DummyRegressor(strategy="mean")
|
dummy_regr = DummyRegressor(strategy="mean")
|
||||||
dummy_regr_scores = cross_validate(
|
dummy_regr_scores = cross_validate(
|
||||||
dummy_regr,
|
dummy_regr,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -177,10 +195,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
lin_reg_rapids = linear_model.LinearRegression()
|
lin_reg_rapids = linear_model.LinearRegression()
|
||||||
lin_reg_scores = cross_validate(
|
lin_reg_scores = cross_validate(
|
||||||
lin_reg_rapids,
|
lin_reg_rapids,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -195,10 +213,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
ridge_reg = linear_model.Ridge(alpha=0.5)
|
ridge_reg = linear_model.Ridge(alpha=0.5)
|
||||||
ridge_reg_scores = cross_validate(
|
ridge_reg_scores = cross_validate(
|
||||||
ridge_reg,
|
ridge_reg,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -212,10 +230,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
lasso_reg = linear_model.Lasso(alpha=0.1)
|
lasso_reg = linear_model.Lasso(alpha=0.1)
|
||||||
lasso_reg_score = cross_validate(
|
lasso_reg_score = cross_validate(
|
||||||
lasso_reg,
|
lasso_reg,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -229,10 +247,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
bayesian_ridge_reg = linear_model.BayesianRidge()
|
bayesian_ridge_reg = linear_model.BayesianRidge()
|
||||||
bayesian_ridge_reg_score = cross_validate(
|
bayesian_ridge_reg_score = cross_validate(
|
||||||
bayesian_ridge_reg,
|
bayesian_ridge_reg,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -246,10 +264,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
ransac_reg = linear_model.RANSACRegressor()
|
ransac_reg = linear_model.RANSACRegressor()
|
||||||
ransac_reg_score = cross_validate(
|
ransac_reg_score = cross_validate(
|
||||||
ransac_reg,
|
ransac_reg,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -263,10 +281,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
svr = svm.SVR()
|
svr = svm.SVR()
|
||||||
svr_score = cross_validate(
|
svr_score = cross_validate(
|
||||||
svr,
|
svr,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -280,10 +298,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
kridge = kernel_ridge.KernelRidge()
|
kridge = kernel_ridge.KernelRidge()
|
||||||
kridge_score = cross_validate(
|
kridge_score = cross_validate(
|
||||||
kridge,
|
kridge,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -297,10 +315,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
gpr = gaussian_process.GaussianProcessRegressor()
|
gpr = gaussian_process.GaussianProcessRegressor()
|
||||||
gpr_score = cross_validate(
|
gpr_score = cross_validate(
|
||||||
gpr,
|
gpr,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -314,10 +332,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
rfr = ensemble.RandomForestRegressor(max_features=0.3, n_jobs=-1)
|
rfr = ensemble.RandomForestRegressor(max_features=0.3, n_jobs=-1)
|
||||||
rfr_score = cross_validate(
|
rfr_score = cross_validate(
|
||||||
rfr,
|
rfr,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -331,10 +349,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
xgb = XGBRegressor()
|
xgb = XGBRegressor()
|
||||||
xgb_score = cross_validate(
|
xgb_score = cross_validate(
|
||||||
xgb,
|
xgb,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
@ -348,10 +366,10 @@ def run_all_regression_models(train_x, data_y, data_groups):
|
||||||
ada = ensemble.AdaBoostRegressor()
|
ada = ensemble.AdaBoostRegressor()
|
||||||
ada_score = cross_validate(
|
ada_score = cross_validate(
|
||||||
ada,
|
ada,
|
||||||
X=train_x,
|
X=data_x,
|
||||||
y=data_y,
|
y=data_y,
|
||||||
groups=data_groups,
|
groups=data_groups,
|
||||||
cv=logo,
|
cv=cross_validator,
|
||||||
n_jobs=-1,
|
n_jobs=-1,
|
||||||
scoring=metrics,
|
scoring=metrics,
|
||||||
)
|
)
|
||||||
|
|
Loading…
Reference in New Issue