序言

評價一個算法的好壞，我認(rèn)為關(guān)鍵是看能不能解決問題。如果算法能很好地解決實際的問題，那么我認(rèn)為就是好算法。 比如預(yù)測的算法，關(guān)鍵是看預(yù)測的準(zhǔn)確率，即預(yù)測值與實際值之間的接近程度，而不是看算法本身的評分高低。

在《 如何用人工智能預(yù)測雙 11 的交易額 》這篇文章中，利用線性回歸算法，我預(yù)測 2019 年雙 11 交易額為 2471 億元，而阿里官方公布的實際交易額是 2684 億元，預(yù)測值比實際值少 7.9%，對這個結(jié)果，我覺得準(zhǔn)確率不夠高。反思預(yù)測的過程，我認(rèn)為可以從以下幾個方面來進行改進。

1. 樣本

為了簡化算法模型，我舍棄掉了前幾年相對較小的數(shù)據(jù)，只保留了最近 5 年的數(shù)據(jù)。

在數(shù)據(jù)量本身就比較少的情況下，我仍然遵循簡單原則，這無形中就加大了算法不穩(wěn)定的風(fēng)險，出現(xiàn)了欠擬合的問題。

盡管算法的評分很高，但是評分高并不代表算法就好。所以，樣本的選擇非常重要，不能單純地追求算法的評分高，而忽略樣本的質(zhì)量。

2. 算法

如果保留所有樣本，那么顯然數(shù)據(jù)呈現(xiàn)的規(guī)律并不是線性的，用多項式回歸算法應(yīng)該是個更好的選擇。

假如用三次多項式回歸算法進行預(yù)測，那么算法代碼如下：

# 導(dǎo)入所需的庫 
import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
from sklearn.linear_model import LinearRegression 
from sklearn.preprocessing import PolynomialFeatures 
from sklearn.pipeline import Pipeline 
from sklearn.preprocessing import StandardScaler 
 
# 內(nèi)嵌畫圖 
%matplotlib inline 
 
# 設(shè)置正常顯示中文標(biāo)簽 
plt.rcParams['font.sans-serif'] = ['SimHei'] 
 
# 讀取數(shù)據(jù)，在林驥的公眾號后臺回復(fù)「1111」 
df = pd.read_excel('./data/1111.xlsx') 
 
# x 年份 
x = np.array(df.iloc[:, 0]).reshape(-1, 1) 
 
# y 交易額 
y = np.array(df.iloc[:, 1]) 
 
# z 預(yù)測的年份 
z = [[2019]] 
 
# 用管道的方式調(diào)用多項式回歸算法 
poly_reg = Pipeline([ 
 ('ploy', PolynomialFeatures(degree=3)), 
 ('std_scaler', StandardScaler()), 
 ('lin_reg', LinearRegression()) 
]) 
poly_reg.fit(x, y) 
 
# 用算法進行預(yù)測 
predict = poly_reg.predict(z) 
 
# 輸出預(yù)測結(jié)果 
print('預(yù)測 2019 年雙 11 的交易額是', str(round(predict[0],0)), '億元。') 
print('線性回歸算法的評分：', poly_reg.score(x, y)) 

預(yù)測 2019 年雙 11 的交易額是 2689.0 億元。

線性回歸算法的評分：0.99939752363314

下面是用 matplotlib 畫圖的代碼：

# 將數(shù)據(jù)可視化，設(shè)置圖像大小 
fig = plt.figure(figsize=(10, 8)) 
ax = fig.add_subplot(111) 
 
# 繪制散點圖 
ax.scatter(x, y, color='#0085c3', s=100) 
ax.scatter(z, predict, color='#dc5034', marker='*', s=260) 
 
# 設(shè)置標(biāo)簽等 
plt.xlabel('年份', fontsize=20) 
plt.ylabel('雙 11 交易額', fontsize=20) 
plt.tick_params(labelsize=20) 
 
# 繪制預(yù)測的直線 
x2 = np.concatenate([x, z]) 
y2 = poly_reg.predict(x2) 
plt.plot(x2, y2, '-', c='#7ab800') 
plt.title('用多項式回歸預(yù)測雙 11 的交易額', fontsize=26) 
plt.show() 

這近乎完美地擬合了 2009 年以來十一年的數(shù)據(jù)，因此不禁讓人懷疑，阿里的數(shù)據(jù)是不是過于完美?

3. 優(yōu)化

按照一般的機器學(xué)習(xí)算法流程，應(yīng)該把數(shù)據(jù)拆分為兩部分，分別稱為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。從 2009 年到 2018 年，雙 11 的交易額總共才 10 個數(shù)據(jù)，我在預(yù)測的時候還舍棄了前 5 個數(shù)據(jù)，最后只剩下 5 個數(shù)據(jù)，我以為再拆分就沒有必要了。 但機器學(xué)習(xí)算法的表現(xiàn)好壞，有一個關(guān)鍵因素，就是要有足夠多的數(shù)據(jù)量。

另外，應(yīng)該適當(dāng)?shù)厥褂镁W(wǎng)格搜索法，優(yōu)化算法的參數(shù)，必要時還要與交叉驗證法相結(jié)合，進行算法評估，從而提高算法的可信度和準(zhǔn)確率。 除了算法的準(zhǔn)確率，還可以使用其他的方法對模型進行評價，比如：召回率、F1 分?jǐn)?shù)、ROC、AUC、MSE、RMSE、MAE 等等 。

現(xiàn)實世界是錯綜復(fù)雜的，很難用一個算法就解決問題，往往需要經(jīng)過很多次的嘗試，才可能找到基本符合的模型。需要注意的是，多項式回歸的指數(shù)不宜過高，否則算法太復(fù)雜，很可能出現(xiàn)“過擬合”的現(xiàn)象，從而泛化能力比較差，也就是說，對于訓(xùn)練數(shù)據(jù)集能夠很好地擬合，但是對于測試數(shù)據(jù)集的預(yù)測誤差比較大。模型復(fù)雜度與預(yù)測誤差的大致關(guān)系如下圖所示：

小結(jié)

本文是我在用線性回歸算法預(yù)測雙 11 的交易額之后，做的一次復(fù)盤，總結(jié)了改進的思路，學(xué)習(xí)優(yōu)化的方法。

學(xué)以致用，是我學(xué)習(xí)的基本原則。如果害怕出錯，不去勇于實踐，學(xué)習(xí)再多算法有什么用?這就如同我們不能指望不下水就學(xué)會游泳一樣。

以上，希望能夠?qū)δ阌兴鶈l(fā)。