Неожиданные результаты с использованием ColumnTransformer () в Python Scikit-learn для прогнозирования числовых значений - PullRequest
Новая
       36

Неожиданные результаты с использованием ColumnTransformer () в Python Scikit-learn для прогнозирования числовых значений

0 голосов
/ 03 июля 2019

Я хотел бы построить прогностическую модель для прогнозирования следующей числовой метки self.varname_label = ['SUMMED_ALLCAUSE_NUM_POST2YR', 'SUMMED_DXTARGET_NUM_POST2YR', 'SUMMED_ALLCAUSE_COST_POST2YR', 'SUMMED_DXTARGET_COST_POST2YR'].Это относится к 1) количеству посещений по состоянию здоровья после посещения, 2) числу посещений по состоянию здоровья для определенного индекса состояния здоровья, 3) стоимости посещений по состоянию здоровья после посещения и 4) стоимости посещений здравоохранения для конкретного врачасостояние почтового индекса соответственно.Каждый раз я буду использовать только один из вышеперечисленных ярлыков, как в self.y_label = self.varname_label[0].

У меня есть как числовые, так и категориальные особенности, и мне потребуется трансформация.Я использовал этот учебник в качестве руководства о том, как преобразовать / стандартизировать функции за один шаг, используя ColumnTransformer.

В модели для прогнозирования SUMMED_ALLCAUSE_NUM_POST2YR, в качестве теста я пытаюсьпродублируйте эту метку результата в качестве дополнительной функции как SUMMED_ALLCAUSE_NUM_POST2YR_DUP, что, как я ожидаю, даст почти идеальный прогноз (т. е. Variance score должен быть близок к 1,0).Тем не менее, я получаю только Variance score = 0.06. 

import pandas as pd
import numpy as np
import ctypes
import re
import pickle
import matplotlib.pyplot as plt
from scipy import stats
from sklearn.model_selection import train_test_split
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import Normalizer, OneHotEncoder
from sklearn.tree import DecisionTreeRegressor
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
import helper_functions.helper_functions as hf
import sec1_data_preparation as data_prep
import sec2_prepped_data_import as prepped_data_import

# Main class
######################################################################
class Machine_Learning_ProjectX(data_prep.DataPreparation_ProjectX):
    def __init__(self):
        self.pickle_descriptive_stats_demographic = None
        self.pickle_descriptive_stats_clinical = None
        self.pickle_descriptive_stats_rx = None
        self.pickle_descriptive_stats_csu = None    
        self.df_demographic = None
        self.df_clinical = None
        self.df_rx = None
        self.df_csu = None  
        self.df_master = None
        self.varname_cat_all = ['INDEX_RURAL_CAT', 'INDEX_SEX', 'AIDS_TAG', 'CHF_TAG', 'CKD_TAG', 'CLD_MILD_TAG', 'CLD_SEVERE_TAG',
                            'COPD_TAG', 'CTD_TAG', 'CVA_TAG', 'DM_MILD_TAG', 'DM_SEVERE_TAG', 'METS_TAG', 'MI_TAG', 'PUD_TAG',
                            'PVD_TAG', 'DEMENTIA_TAG', 'HEMIPLEGIA_TAG', 'TUMOR_TAG', 'INDEX_DIN_CAT']
        self.varname_cat_used = ['INDEX_RURAL_CAT', 'INDEX_SEX']                
        self.varname_num_all = ['INDEX_AGE', 'CCI_SCORE', 'PREINDEX1YR_N_DRUGX_FG_MPR', 'PREINDEX1YR_N_DRUGX_SG_MPR', 'PREINDEX1YR_N_DRUGY_TYPICAL_MPR',
                            'PREINDEX1YR_N_DRUGY_ATYPICAL_MPR', 'POSTINDEX1YR_N_DRUGX_FG_MPR', 'POSTINDEX1YR_N_DRUGX_SG_MPR',
                            'POSTINDEX1YR_N_DRUGY_TYPICAL_MPR', 'POSTINDEX1YR_N_DRUGY_ATYPICAL_MPR',
                            'SUMMED_ALLCAUSE_NUM_PRE2YR', 'SUMMED_ALLCAUSE_NUM_POST2YR', 'SUMMED_ALLCAUSE_COST_PRE2YR',
                            'SUMMED_ALLCAUSE_COST_POST2YR', 'SUMMED_DXTARGET_NUM_PRE2YR', 'SUMMED_DXTARGET_NUM_POST2YR',
                            'SUMMED_DXTARGET_COST_PRE2YR', 'SUMMED_DXTARGET_COST_POST2YR', 'DAD_ALLCAUSE_NUM_PRE2YR',
                            'DAD_ALLCAUSE_NUM_POST2YR', 'DAD_ALLCAUSE_COST_PRE2YR', 'DAD_ALLCAUSE_COST_POST2YR',
                            'DAD_DXTARGET_NUM_PRE2YR', 'DAD_DXTARGET_NUM_POST2YR', 'DAD_DXTARGET_COST_PRE2YR',
                            'DAD_DXTARGET_COST_POST2YR', 'PC_ALLCAUSE_NUM_PRE2YR', 'PC_ALLCAUSE_NUM_POST2YR', 
                            'PC_ALLCAUSE_COST_PRE2YR', 'PC_ALLCAUSE_COST_POST2YR', 'PC_DXTARGET_NUM_PRE2YR',
                            'PC_DXTARGET_NUM_POST2YR', 'PC_DXTARGET_COST_PRE2YR', 'PC_DXTARGET_COST_POST2YR',
                            'NACRS_ALLCAUSE_NUM_PRE2YR', 'NACRS_ALLCAUSE_NUM_POST2YR', 'NACRS_ALLCAUSE_COST_PRE2YR',
                            'NACRS_ALLCAUSE_COST_POST2YR', 'NACRS_DXTARGET_NUM_PRE2YR', 'NACRS_DXTARGET_NUM_POST2YR',
                            'NACRS_DXTARGET_COST_PRE2YR', 'NACRS_DXTARGET_COST_POST2YR']
        self.varname_num_used = ['INDEX_AGE', 'CCI_SCORE', 'SUMMED_ALLCAUSE_NUM_PRE2YR', 'SUMMED_DXTARGET_NUM_PRE2YR', 
                                'SUMMED_ALLCAUSE_COST_PRE2YR', 'SUMMED_DXTARGET_COST_PRE2YR']
        self.varname_id = ['PHN_ENC', 'INDEX_DATE']
        self.varname_label = ['SUMMED_ALLCAUSE_NUM_POST2YR', 'SUMMED_DXTARGET_NUM_POST2YR', 'SUMMED_ALLCAUSE_COST_POST2YR', 
                        'SUMMED_DXTARGET_COST_POST2YR']
        self.y_label = self.varname_label[0]
        self.varname_import = list(set(self.varname_id+self.varname_cat_used+self.varname_num_used))+[self.y_label]

    def ml_steps(self):
        self.import_references()
        self.import_pickle_descriptive_stats_demographic(on_switch=True,
                                import_dir=self.result_dir,
                                import_filename='ProjectX_V2_SubjectGroup_DescriptiveStats_Demographic.pickle')
        self.import_pickle_descriptive_stats_clinical(on_switch=True,
                                import_dir=self.result_dir,
                                import_filename='ProjectX_V2_SubjectGroup_DescriptiveStats_Clinical.pickle')
        self.import_pickle_descriptive_stats_rx(on_switch=True,
                                import_dir=self.result_dir,
                                import_filename='ProjectX_V2_SubjectGroup_DescriptiveStats_Rx.pickle')
        self.import_pickle_descriptive_stats_csu(on_switch=True,
                                import_dir=self.result_dir,
                                import_filename='ProjectX_V2_SubjectGroup_DescriptiveStats_CSU.pickle')
        self.import_df_demographic(on_switch=True,
                                import_dir=self.result_dir,
                                import_filename='ProjectX_V2_SubjectGroup_DF_Demographic_SubjectLevel.csv')
        self.import_df_clinical(on_switch=True,
                                import_dir=self.result_dir,
                                import_filename='ProjectX_V2_SubjectGroup_DF_Clinical_SubjectLevel.csv')
        self.import_df_rx(on_switch=True,
                                import_dir=self.result_dir,
                                import_filename='ProjectX_V2_SubjectGroup_DF_Rx_SubjectLevel.csv')
        self.import_df_csu(on_switch=True,
                                import_dir=self.result_dir,
                                import_filename='ProjectX_V2_SubjectGroup_DF_CSU_SubjectLevel.csv')
        self.merge_dfs(on_switch=True)
        self.visualize_descriptive_stats(on_switch=False)
        self.split_into_training_and_test_sets(on_switch=True)
        self.generate_new_feature(on_switch=False)
        self.handle_missing_value(on_switch=True)
        self.standardize_value(on_switch=True)
        self.ml_pipeline(on_switch=True)
        self.report_result(on_switch=True)

    def import_references(self):
        super().__init__()
        super()._pandas_output_setting()
        super().dir_name()
        super().file_name()
        super().constant_var()
        super().import_ref_data()

    # Decorators
    def on_or_off(func):
        def wrapper(self, *args, on_switch=False, **kwargs):
            if on_switch:
                func(self, *args, on_switch=on_switch, **kwargs)
        return wrapper

    # Core class functions
    @on_or_off
    def import_pickle_descriptive_stats_demographic(self, on_switch, import_dir=None, import_filename=None):
        with open(import_dir+import_filename, 'rb') as handle:
            self.pickle_descriptive_stats_demographic = pickle.load(handle)
    @on_or_off
    def import_pickle_descriptive_stats_clinical(self, on_switch, import_dir=None, import_filename=None):
        with open(import_dir+import_filename, 'rb') as handle:
            self.pickle_descriptive_stats_clinical = pickle.load(handle)
    @on_or_off
    def import_pickle_descriptive_stats_rx(self, on_switch, import_dir=None, import_filename=None):
        with open(import_dir+import_filename, 'rb') as handle:
            self.pickle_descriptive_stats_rx = pickle.load(handle)
    @on_or_off
    def import_pickle_descriptive_stats_csu(self, on_switch, import_dir=None, import_filename=None):
        with open(import_dir+import_filename, 'rb') as handle:
            self.pickle_descriptive_stats_csu = pickle.load(handle)

    @on_or_off
    def import_df_demographic(self, on_switch, import_dir=None, import_filename=None):
        self.df_demographic = pd.read_csv(import_dir+import_filename, dtype={'PHN_ENC':'str'})
    @on_or_off
    def import_df_clinical(self, on_switch, import_dir=None, import_filename=None):
        self.df_clinical = pd.read_csv(import_dir+import_filename, dtype={'PHN_ENC':'str'})
    @on_or_off
    def import_df_rx(self, on_switch, import_dir=None, import_filename=None):
        self.df_rx = pd.read_csv(import_dir+import_filename, dtype={'PHN_ENC':'str'})
    @on_or_off
    def import_df_csu(self, on_switch, import_dir=None, import_filename=None):
        self.df_csu = pd.read_csv(import_dir+import_filename, dtype={'PHN_ENC':'str'})

    @on_or_off
    def merge_dfs(self, on_switch):
        self.df_master = self.df_demographic.copy()
        self.df_master = self.df_master.merge(self.df_clinical, on='PHN_ENC', how='outer')
        self.df_master = self.df_master.merge(self.df_rx, on='PHN_ENC', how='outer')
        self.df_master = self.df_master.merge(self.df_csu, on='PHN_ENC', how='outer')
        assert (len(self.df_master)==self.df_master['PHN_ENC'].nunique()), 'Error: Same subject appears on multiple rows.'
        # Remove duplicated columns
        self.df_master = self.df_master.loc[:,~self.df_master.columns.str.contains('_y', case=True)]
        self.df_master.columns = self.df_master.columns.str.replace('_x', '')
        self.df_master = self.df_master.loc[:,~self.df_master.columns.duplicated()]
        # Remove unused columns
        self.df_master = self.df_master.loc[:, ~self.df_master.columns.str.contains('^Unnamed')]
        self.df_master = self.df_master.drop(['temp'], axis=1)
        # Retain only needed columns
        self.df_master = self.df_master[self.varname_import]
        # For testing
        self.df_master['SUMMED_ALLCAUSE_NUM_POST2YR_DUP'] = self.df_master['SUMMED_ALLCAUSE_NUM_POST2YR']

    @on_or_off
    def visualize_descriptive_stats(self, on_switch):
        scatter_plot = self.df_master.plot.scatter( x='INDEX_AGE',
                                                    y=self.y_label,
                                                    c='DarkBlue')
        plt.show()

    @on_or_off
    def split_into_training_and_test_sets(self, on_switch):
        feature_set = self.df_master.drop([self.y_label], axis=1)
        X_label = feature_set.columns[:len(feature_set.columns)]
        self.X_train, self.X_test, self.y_train, self.y_test = train_test_split(self.df_master[X_label], 
            self.df_master[self.y_label], test_size=0.33, random_state=888)
        self.X_train = self.X_train.drop(['PHN_ENC', 'INDEX_DATE'], axis=1)
        self.X_test = self.X_test.drop(['PHN_ENC', 'INDEX_DATE'], axis=1)

    @on_or_off
    def generate_new_feature(self, on_switch):
        pass

    @on_or_off
    def handle_missing_value(self, on_switch):
        self.X_train = self.X_train.apply(lambda x:x.fillna(x.value_counts().index[0]))
        self.X_test = self.X_test.apply(lambda x:x.fillna(x.value_counts().index[0]))
        self.y_train = self.y_train.fillna(0)
        self.y_test = self.y_test.fillna(0)

    @on_or_off
    def standardize_value(self, on_switch):
        var_value_pairs = {
            'INDEX_RURAL_CAT':['URBAN', 'RURAL'],
            'INDEX_SEX':['M', 'F'],
            'AIDS_TAG':['AIDS', 'NON-AIDS'],
            'CHF_TAG':['CHF', 'NON-CHF'],
            'CKD_TAG':['CKD', 'NON-CKD'],
            'CLD_MILD_TAG':['CLD_MILD', 'NON-CLD_MILD'],
            'CLD_SEVERE_TAG':['CLD_SEVERE', 'NON-CLD_SEVERE'],
            'COPD_TAG':['COPD', 'NON-COPD'],
            'CTD_TAG':['CTD', 'NON-CTD'],
            'CVA_TAG':['CVA', 'NON-CVA'],
            'DM_MILD_TAG':['DM_MILD', 'NON-DM_MILD'],
            'DM_SEVERE_TAG':['DM_SEVERE', 'NON-DM_SEVERE'],
            'METS_TAG':['METS', "NON-METS"],
            'MI_TAG':['MI', 'NON-MI'],
            'PUD_TAG':['PUD', 'NON-PUD'],
            'PVD_TAG':['PVD', 'NON-PVD'],
            'DEMENTIA_TAG':['DEMENTIA', 'NON-DEMENTIA'],
            'HEMIPLEGIA_TAG':['HEMIPLEGIA', 'NON-HEMIPLEGIA'],
            'TUMOR_TAG':['TUMOR', 'NON-TUMOR'],
            'INDEX_DIN_CAT':['ARIPIPRAZOLE', 'RISPERIDONE', 'PALIPERIDONE'],
        }

        def extract_values_from_var_cat_used():
            var_cat_used_categories = []
            for varname in self.varname_cat_used:
                for key, val in var_value_pairs.items():
                    if varname == key:
                        var_cat_used_categories.append(val)
            return var_cat_used_categories
        var_cat_used_categories = extract_values_from_var_cat_used()

        colT = ColumnTransformer(
            [   ('CATE_COL', OneHotEncoder(categories=var_cat_used_categories), self.varname_cat_used),
                ('NORM_COL', Normalizer(norm='l1'), self.varname_num_used+['SUMMED_ALLCAUSE_NUM_POST2YR_DUP']) # For testing
            ])
        self.X_train = colT.fit_transform(self.X_train)
        self.X_test = colT.transform(self.X_test)

    @on_or_off
    def ml_pipeline(self, on_switch):
        self.regressor = LinearRegression()
        self.regressor.fit(self.X_train, self.y_train) # training the algorithm
        self.y_pred = self.regressor.predict(self.X_test) # making prediction

    @on_or_off
    def report_result(self, on_switch):
        # The coefficients
        ##print('Coefficients: \n', self.regressor.coef_)
        # The mean squared error
        print("Mean squared error: %.2f" % mean_squared_error(self.y_test, self.y_pred))
        # ExpDRUGXned variance score: 1 is perfect prediction
        print('Variance score: %.2f' % r2_score(self.y_test, self.y_pred))

# Helper functions
######################################################################

# Main function
######################################################################
def main():
    x = Machine_Learning_ProjectX()
    x.ml_steps()

if __name__ == '__main__':
    main()

Когда я удаляю SUMMED_ALLCAUSE_NUM_POST2YR_DUP как функцию, заменяя ('NORM_COL', Normalizer(norm='l1'), self.varname_num_used+['SUMMED_ALLCAUSE_NUM_POST2YR_DUP']) на ('NORM_COL', Normalizer(norm='l1'), self.varname_num_used), Variance score равен -0,01.

Я провел еще один тест, который включает удаление SUMMED_ALLCAUSE_NUM_POST2YR_DUP, но в качестве функции используется одна из других меток, например self.varname_num_used = ['INDEX_AGE', 'CCI_SCORE', 'SUMMED_ALLCAUSE_NUM_PRE2YR', 'SUMMED_DXTARGET_NUM_PRE2YR', 'SUMMED_ALLCAUSE_COST_PRE2YR', 'SUMMED_DXTARGET_COST_PRE2YR', 'SUMMED_ALLCAUSE_COST_POST2YR'], на этот раз Variance score составляет 0,29.

Не кажется ли странным, что репликация меткипеременная как функция работает только на 6% лучше, чем базовая модель, а использование другой метки в качестве дополнительной функции дает увеличение на 29%?Кроме того, производительность базовой модели, равной Variance score, равной -0,01, также странна для меня, поскольку я ожидаю, что набор функций будет иметь приличную прогностическую ценность.

Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.

Похожие темы

...