簡介面向需要在R環(huán)境中完成回歸建模與需求預(yù)測的數(shù)據(jù)分析學習者這是一份首爾自行車共享需求預(yù)測完整項目資源。資源圍繞天氣、時間、假期、季節(jié)等多種因素對每小時租車量的影響展開提供從數(shù)據(jù)探索、變量重要性分析到CUBIST、隨機森林、CART、KNN、條件推斷樹等多種模型構(gòu)建與評估的R代碼并配套報告文檔便于理解規(guī)則集成模型如何實現(xiàn)約95%的R2解釋力。包體共4個文件含R腳本、CSV數(shù)據(jù)集、Markdown說明及Word分析報告壓縮包大小1.71MB結(jié)構(gòu)精簡適合直接運行復(fù)現(xiàn)。目前已有256人學習。通過該資源可獲取完整R代碼、原始CSV數(shù)據(jù)集及分析報告適合課程設(shè)計、案例復(fù)現(xiàn)或作為回歸預(yù)測入門參考能幫助快速掌握模型對比、交叉驗證與變量重要性評估的實操流程。1. 首爾自行車共享需求回歸從“每小時要備多少輛車”說起首爾自行車共享需求數(shù)據(jù)是拿 R 做回歸分析入門到實戰(zhàn)之間最好的中間站——它有公開數(shù)據(jù)集、有時間結(jié)構(gòu)、有天氣和日歷混雜出的真實噪聲但又不至于像工業(yè)場景那樣臟到?jīng)]法收拾。標題里的活兒其實就是一件事用 R 讀入按小時記錄的數(shù)據(jù)把氣溫、濕度、風速、降雨、節(jié)假日這些特征組織起來訓練一個能預(yù)測下一個小時需要多少輛自行車的回歸模型。適合兩類人一類剛學完線性模型想找個完整項目練手另一類在做共享出行調(diào)度、用戶消費預(yù)測這類計數(shù)回歸場景想看看經(jīng)典回歸在真實業(yè)務(wù)數(shù)據(jù)上能承受到什么程度。先說一個反直覺的結(jié)論這類按小時記錄的數(shù)據(jù)如果像普通回歸那樣隨機劃分訓練集和驗證集預(yù)測誤差會非常好看但一上線馬上翻車。原因是同一天的不同小時會被拆到兩邊模型等于提前“見過了當天的天氣”。要測真實水平后面必須按時間拆。2. 數(shù)據(jù)長什么樣理解字段與建模前處理這一步?jīng)Q定回歸天花板2.1 字段清單與目標變量的“代理”性質(zhì)先看字段。這個數(shù)據(jù)集的記錄跨度約一年每行是一條小時級記錄目標列是當小時實際租出的自行車數(shù)。嚴格說真正的“需求”不可觀測租出量只是需求的代理下雨天可能有人想騎但沒人出門租出量就會低估需求。業(yè)務(wù)解讀時要留這個心眼建模時則把租出量當目標即可。字段含義類型建模注意Date日期字符轉(zhuǎn)成 Date 類型拆出周幾、月份Rented Bike Count小時租出量數(shù)值目標變量右偏帶大量 0Hour小時 0–23數(shù)值核心時間特征對需求量影響最大Temperature氣溫 ℃數(shù)值與需求呈倒 U 型考慮平方項Humidity濕度 %數(shù)值高濕常伴降雨但信息不重復(fù)Wind speed風速 m/s數(shù)值強風明顯壓制騎行需求Visibility能見度數(shù)值單位是 10m不是米建模前換算Dew point temperature露點溫度數(shù)值與濕度相關(guān)性高注意共線性Solar Radiation太陽輻射 MJ/m2數(shù)值白天信號強與 Hour 有交互Rainfall降雨量 mm數(shù)值下雨需求驟降0 值有業(yè)務(wù)含義Snowfall降雪量 cm數(shù)值冬季氣候和溫度強相關(guān)Seasons季節(jié)類別轉(zhuǎn)成因子不要保留為文本Holiday是否節(jié)假日類別轉(zhuǎn)成 0/1Functioning Day是否運營日類別非運營日租出量恒為 0要單獨處理這里最容易忽略的是 Visibility 的單位。原始數(shù)據(jù)里能見度出現(xiàn)幾百甚至上千的數(shù)值直接當米解釋會以為數(shù)據(jù)異常實際上單位是 10m1000 代表 10000 米。另一個是 Functioning Day它表示當天系統(tǒng)是否運營等于 No 的日子租出量基本是 0這部分樣本混進回歸會把均值往下拉后面專門講怎么處理。2.2 用 dplyr 完成清洗與時間特征構(gòu)造先讀數(shù)據(jù)再看實際列名。不同渠道下載的首爾自行車數(shù)據(jù)列名略有差異有的帶空格、有的帶括號和單位讀進來之后 R 會自動做 check.names 處理。我一般先打印一遍名字再統(tǒng)一改成短列名省得后面寫 formula 時到處加反引號。library(dplyr) bike_raw - read.csv(SeoulBikeData.csv, fileEncoding UTF-8) cat(names(bike_raw), sep \n) # 觀察實際列名按自己那份數(shù)據(jù)來對 # 統(tǒng)一轉(zhuǎn)小寫把空格、括號、斜杠替換成下劃線便于后續(xù)引用 names(bike_raw) - names(bike_raw) %% tolower() %% gsub([^a-z0-9], _, .) %% gsub(_, _, .) %% sub(_$, , .) bike - bike_raw %% rename( rented rented_bike_count, temp temperature, hum humidity, wind wind_speed, vis visibility_10m, dew dew_point_temperature, solar solar_radiation_mj_m2, rainfall rainfall_mm, snowfall snowfall_cm )fileEncodingUTF-8是 Windows 上常見的坑不指定的話某些鏡像下載的 CSV 會用系統(tǒng)本地編碼讀取中文標簽直接亂碼。正則清洗列名時注意gsub([^a-z0-9], _, .)會把所有非字母數(shù)字字符統(tǒng)一壓成下劃線雙下劃線再合并一次最后去掉末尾的下劃線。rename 里的新列名是后面所有代碼的基礎(chǔ)如果某份數(shù)據(jù)的列名對不上以cat(names())打出來的結(jié)果為準改映射。接著構(gòu)造時間特征和業(yè)務(wù)啞變量。日期格式在源數(shù)據(jù)里是日/月/年as.Date的 format 必須寫%d/%m/%Y順手用 lubridate 的wday判斷周末避免依賴系統(tǒng) locale 的weekdays()。library(lubridate) bike - bike %% mutate( date as.Date(date, format %d/%m/%Y), hour as.numeric(hour), month as.numeric(format(date, %m)), is_weekend ifelse(wday(date, week_start 1) %in% c(6, 7), 1, 0), raining ifelse(rainfall 0, 1, 0), snowing ifelse(snowfall 0, 1, 0), holiday ifelse(holiday Yes, 1, 0), functioning ifelse(functioning_day Yes, 1, 0) )wday(date, week_start 1)返回 1–71 是周一6、7 是周六日這樣判斷與系統(tǒng)語言無關(guān)。holiday和functioning從字符轉(zhuǎn)成 0/1是因為后面放進lm()和glmnet時數(shù)值啞變量比字符因子更直觀也避免因子水平順序帶來的模型解釋困惑。2.3 檢查缺失值與分布順帶拆一次訓練/驗證清洗完先看 summary重點不是均值而是有沒有不可能出現(xiàn)的值、缺失值有沒有被 R 讀成 NA、目標變量右偏到什么程度。小時租出量的典型分布是凌晨大量 0早晚高峰兩個峰整體右偏?；貧w模型對右偏目標往往擬合不好第 3 章的對數(shù)變換就是為這個做準備。summary(bike) hist(bike$rented, breaks 50, main 小時租出量分布) # 非運營日的租出量到底長什么樣 bike %% filter(functioning 0) %% summarise(n n(), mean_rented mean(rented), max_rented max(rented))非運營日樣本的租出量均值接近 0這符合業(yè)務(wù)定義。處理策略我一般看建模目的如果目標是預(yù)測運營狀態(tài)下的需求直接把非運營日過濾掉模型更干凈如果目標是端到端預(yù)測“系統(tǒng)實際要承擔多少租出量”則保留 functioning 作為特征預(yù)測時輸入運營狀態(tài)即可。兩種做法沒有絕對對錯但要在同一份代碼里保持一致不要建模時又混進又剔除。拆訓練/驗證這一步強烈建議在清洗之后就做不要等模型調(diào)完再拆。關(guān)鍵點是按日期排序后切分而不是隨機抽樣dates - sort(unique(bike$date)) cut_idx - round(length(dates) * 0.8) train - bike %% filter(date dates[cut_idx]) test - bike %% filter(date dates[cut_idx])這里 0.8 是常見比例但對共享單車這類強周期業(yè)務(wù)我更推薦按“最后 30 天做測試”來切因為業(yè)務(wù)上線時預(yù)測的永遠是未來不是過去。切分完成后后面所有特征工程和模型調(diào)參都只允許看 traintest 要一直留到最后一章做外推驗證。3. 建立基線回歸用 lm() 跑通第一版靠殘差決定下一步3.1 特征怎么進模型數(shù)值型、啞變量、交互項線性回歸的第一步不是把字段全塞進 formula而是想清楚每個特征的形態(tài)。溫度對騎行需求是典型的倒 U 型太冷不出門太熱也不騎所以加一個I(temp^2)平方項。Hour 本身是 0–23 的整數(shù)直接放進線性模型會被當成“越晚需求線性越低”實際上是早晚雙峰這里先用線性近似后面換樹模型時自動處理非線性。降雨和降雪已經(jīng)轉(zhuǎn)成 0/1 啞變量保留原始降雨量數(shù)值會引入大量 0 值干擾。交互項我習慣先加兩個業(yè)務(wù)上確定的temp:hour表示不同時段對溫度的敏感度不同raining:is_weekend表示雨天在周末的影響可能比工作日更弱。交互項不要一上來加一堆否則 VIF 立刻爆表自己都分不清是共線性還是真信號。library(car) fit_lm - lm( rented ~ temp I(temp^2) hum wind vis solar raining snowing hour is_weekend holiday functioning temp:hour raining:is_weekend, data train ) summary(fit_lm) vif(fit_lm)vif()來自 car 包輸出大于 5 就要警惕大于 10 基本可以斷定這組變量在搶同一個信息。首爾數(shù)據(jù)里最容易爆的是露點溫度和濕度它倆物理含義高度重疊如果 VIF 高我一般先去掉 dew保留 hum因為濕度對騎行決策的解釋更直接。3.2 第一版線性模型與殘差診斷summary()里先看 F 統(tǒng)計量的 p 值再看每個變量的顯著性。第一次跑這個模型時你會發(fā)現(xiàn)溫度、濕度、小時、降雨系數(shù)全顯著但 Adjusted R2 可能只在 0.3–0.4 徘徊。別急著調(diào)參先畫殘差圖。par(mfrow c(2, 2)) plot(fit_lm)四張圖按順序讀Residuals vs Fitted 看有沒有喇叭口Normal Q-Q 看殘差是否正態(tài)Scale-Location 看方差的穩(wěn)定性Residuals vs Leverage 找影響點。這個數(shù)據(jù)集上最常見的形態(tài)是擬合值增大時殘差散開成漏斗形QQ 圖兩端明顯偏離直線。這是計數(shù)數(shù)據(jù)的典型異方差——租出量均值越高波動越大線性模型強行用同一個方差去擬合導致小預(yù)測值被高估、大預(yù)測值被低估。殘差圖是黑匣子但它告訴你下一步該怎么走。兩個方向一是對目標變量做對數(shù)變換讓方差更穩(wěn)二是換用泊松回歸或樹模型。泊松回歸在概念上更貼合計數(shù)數(shù)據(jù)但首爾這份數(shù)據(jù)存在過度離散直接glm(..., family poisson)會讓標準誤被低估。所以先把對數(shù)變換跑通再上正則化和樹模型。3.3 對數(shù)變換后重跑處理極端值log1p是log(x 1)的簡寫專門處理含 0 的計數(shù)數(shù)據(jù)。直接log(0)會得到負無窮log1p把 0 映射成 0語義上說得通深夜無人租車對數(shù)需求就是 0。train$log_rented - log1p(train$rented) fit_lm_log - lm( log_rented ~ temp I(temp^2) hum wind vis solar raining snowing hour is_weekend holiday functioning temp:hour raining:is_weekend, data train ) summary(fit_lm_log) hist(resid(fit_lm_log), breaks 50)對比兩次 summary你會看到對數(shù)模型的 R2 明顯上升殘差直方圖也更接近正態(tài)。但這不意味著模型真的更好只是目標尺度變了評估指標也跟著變。后續(xù)比較模型時一定要把預(yù)測值還原到原始租出量尺度再算 RMSE 或 MAE否則兩個模型根本不在一個比較維度上。還原時的常見錯誤是直接exp(predict(...)) - 1。對數(shù)變換讓模型擬合的是對數(shù)空間的中位數(shù)還原后整體會系統(tǒng)性偏低。這個偏差在業(yè)務(wù)上很要命第 5 章專門講怎么用 smearing 修正。4. 把預(yù)測誤差壓下去glmnet 彈性網(wǎng)絡(luò)與隨機森林怎么選4.1 什么時候該從 lm 切到正則化模型線性模型跑通之后下一步不是立刻上深度學習而是先用正則化回歸和樹模型把誤差壓一壓。首爾數(shù)據(jù)里有幾個特征天生高度相關(guān)露點溫度與濕度、太陽輻射與氣溫、風速與能見度。lm 對這組相關(guān)特征非常敏感系數(shù)估計方差大換個訓練集系數(shù)就漂移。glmnet 的彈性網(wǎng)絡(luò)elasticnet同時混入 L1 和 L2 懲罰L1 幫忙做變量選擇L2 幫忙穩(wěn)定相關(guān)變量的系數(shù)正好治這個病。在 R 里 glmnet 的alpha參數(shù)控制 L1/L2 比例alpha 1是 lassoalpha 0是 ridge中間值就是彈性網(wǎng)絡(luò)。默認alpha 1很多人就這么用但對相關(guān)特征較多的數(shù)據(jù)純 lasso 會隨機挑一個代表變量丟掉另一個穩(wěn)定性差。我習慣把alpha從 0 到 1 掃一遍讓cv.glmnet自己選。4.2 用 cv.glmnet 掃 alpha 并選 lambda 的完整命令glmnet的接口和lm最大的區(qū)別是它不接受 formula必須自己用model.matrix構(gòu)造特征矩陣。這一步有兩個坑一是因子列會自動展開成啞變量二是展開結(jié)果自帶截距列喂給 glmnet 前要刪掉否則會跟 glmnet 內(nèi)部加的截距重復(fù)。library(glmnet) # 用 train 數(shù)據(jù)構(gòu)造特征矩陣-1 去掉截距列 x_train - model.matrix( ~ temp I(temp^2) hum wind vis solar raining snowing hour is_weekend holiday functioning temp:hour raining:is_weekend, data train )[, -1] y_train - train$log_rented # 掃 alpha對每個 alpha 做 5 折交叉驗證選 lambda alphas - seq(0, 1, by 0.1) cv_list - lapply(alphas, function(a) { cv.glmnet(x_train, y_train, alpha a, nfolds 5) }) # 取交叉驗證誤差最小的那一組 best_idx - which.min(sapply(cv_list, function(m) min(m$cvm))) alpha_best - alphas[best_idx] fit_en - cv_list[[best_idx]] plot(fit_en) coef(fit_en, s fit_en$lambda.min)alphas按 0.1 步長掃 11 個值對這份數(shù)據(jù)量完全夠用不用更細。cv.glmnet的nfolds 5是常見默認數(shù)據(jù)量小可以改 10但這數(shù)據(jù)有近一年的小時記錄5 折足夠穩(wěn)定。lambda.min是交叉驗證誤差最小的 lambdalambda.1se是誤差在一個標準誤之內(nèi)的最大 lambda系數(shù)更稀疏。我一般兩個都看一眼上線求穩(wěn)用lambda.1se競賽刷指標用lambda.min。plot(fit_en)畫的是不同 lambda 下系數(shù)收縮路徑能直觀看到哪些變量最后被壓成 0。coef(fit_en, s fit_en$lambda.min)輸出選定 lambda 下的系數(shù)如果某個特征系數(shù)是 0說明它對預(yù)測沒有邊際貢獻。4.3 隨機森林補位做三模型橫評正則化回歸解決了共線性但解決不了特征的非線性和交互。Hour 的早晚雙峰、溫度倒 U 型這些 lm 要用平方項和交互項手工拼而樹模型天生能切分這種關(guān)系。R 里我優(yōu)先用 ranger 而不是 randomForest因為數(shù)據(jù)量稍大時 randomForest 慢到讓人懷疑人生ranger 在同等精度下快一個量級。library(ranger) fit_rf - ranger( log_rented ~ temp I(temp^2) hum wind vis solar raining snowing hour is_weekend holiday functioning temp:hour raining:is_weekend, data train, num.trees 500, mtry 5, importance impurity, seed 42 ) print(fit_rf) sort(fit_rf$variable.importance, decreasing TRUE)num.trees 500對這份數(shù)據(jù)足夠再高耗時增加明顯但精度提升有限。mtry 5是每個分裂節(jié)點隨機抽 5 個特征默認是特征數(shù)的平方根這里特征展開后約 20 個默認 4–5 都合理。importance impurity輸出的是 Gini 重要性計算快適合看特征排序permutation更準但慢最后定稿時可以用。三模型橫評的骨架是這樣# 測試集同樣構(gòu)造特征矩陣 x_test - model.matrix( ~ temp I(temp^2) hum wind vis solar raining snowing hour is_weekend holiday functioning temp:hour raining:is_weekend, data test )[, -1] y_test - test$log_rented pred_lm - predict(fit_lm_log, newdata test) pred_en - predict(fit_en, s fit_en$lambda.min, newx x_test) pred_rf - predict(fit_rf, data test)$predictions calc_rmse - function(actual, pred) sqrt(mean((actual - pred)^2)) calc_mae - function(actual, pred) mean(abs(actual - pred)) # 在 log 尺度上橫評還原到原始尺度的偏差修正見第 5 章 sapply(list(lm pred_lm, enet pred_en, rf pred_rf), function(p) { c(rmse calc_rmse(y_test, p), mae calc_mae(y_test, p)) })經(jīng)驗上在這類數(shù)據(jù)里隨機森林的 RMSE 通常明顯低于線性模型彈性網(wǎng)絡(luò)介于兩者之間但彈性網(wǎng)絡(luò)的優(yōu)勢是可解釋性和穩(wěn)定性——特征只有幾十個系數(shù)還能打印出來講給業(yè)務(wù)聽。樹模型一旦跑起來就是純黑匣子業(yè)務(wù)方問“為什么這個小時預(yù)測這么高”你很難一句話講清楚。5. 避坑首爾自行車需求回歸里最常見的 5 個翻車點5.1 隨機抽樣導致預(yù)測虛高同一天的天氣被模型提前看到現(xiàn)象訓練/驗證用sample()隨機切分驗證集 RMSE 低得喜人發(fā)布上線后每天預(yù)測都偏業(yè)務(wù)方直接質(zhì)疑模型沒學過當天數(shù)據(jù)。原因小時級數(shù)據(jù)里同一天的 24 小時共享同一組天氣和節(jié)假日狀態(tài)。隨機切分會把同一天的一部分小時分進訓練集另一部分分進驗證集模型等于先看了當天的天氣答案再去預(yù)測當天剩下的小時信息泄露非常隱蔽。解決切分必須按日期整體切。用第 2 章的sort(unique(date))方法保證訓練集日期全部早于驗證集日期。頭條原則任何涉及時間序列的數(shù)據(jù)測試集日期必須全部在訓練集之后這是回歸預(yù)測類項目的第一紀律。5.2 非運營日混進回歸早上 8 點的預(yù)測值被系統(tǒng)性拉低現(xiàn)象模型整體 R2 還行但分時段看誤差時工作日早高峰的預(yù)測值普遍偏低而且偏低幅度穩(wěn)定。原因Functioning Day 等于 No 的日子租出量為 0這些樣本占比不小把回歸均值往下拉。模型學到的是“存在一整天完全沒人騎車的日子”但它不知道是哪天于是把這種不確定性攤到所有樣本上高峰期預(yù)測被拖低。解決按業(yè)務(wù)目標二選一。只做運營日需求預(yù)測就在清洗時filter(functioning 1)做端到端租出量預(yù)測就保留 functioning 特征預(yù)測時顯式傳入運營狀態(tài)。最忌諱的是建模時不處理、解釋時又說“非運營日本來就是 0”兩頭不靠。5.3 用 exp() 還原對數(shù)預(yù)測總量預(yù)測出現(xiàn)系統(tǒng)性低估現(xiàn)象把 log 模型的預(yù)測值exp()還原后分小時誤差看著還行但按天聚合的總量預(yù)測比實際少一到兩成。原因log1p建模后殘差在對數(shù)空間是零均值但exp()是非線性變換還原后殘差的均值不再為 0。exp(predict)得到的是對數(shù)空間的中位數(shù)不是原始尺度的均值。業(yè)務(wù)要的是總量中位數(shù)一定偏小。解決加一個 smearing 修正項用訓練集殘差計算mean(exp(resid))乘到預(yù)測值上再減 1smear - mean(exp(resid(fit_lm_log))) pred_original - exp(predict(fit_lm_log, newdata test)) * smear - 1這個修正項的意義是訓練集上模型平均低估的比例就是未來預(yù)測要補償?shù)谋壤?。代價是整體方差被放大一點但總量預(yù)測的偏差能明顯收回來。5.4 星期幾特征依賴系統(tǒng)語言換臺電腦結(jié)果就變現(xiàn)象同樣的代碼在 A 機器跑is_weekend判斷正常在 B 機器跑出來的周末標記全反了模型結(jié)果對不上。原因基礎(chǔ) R 的weekdays()返回星期幾的文本這個文本由系統(tǒng) locale 決定。中文系統(tǒng)返回“星期六”英文系統(tǒng)返回“Saturday”如果代碼里寫weekdays(date) %in% c(Saturday, Sunday)在中文機器上永遠是 FALSE。解決不要用weekdays()做判斷改用lubridate::wday(date, week_start 1)它返回數(shù)字 1–7與語言無關(guān)。或者用format(date, %u)也能拿到 ISO 周幾數(shù)字。這類與環(huán)境相關(guān)的問題最坑人因為它不在你的代碼邏輯里而在運行環(huán)境的配置里。5.5 把能見度原始數(shù)值當米解釋異常值其實是單位問題現(xiàn)象做異常值清洗時發(fā)現(xiàn) Visibility 有大量超過 1000 的“異常值”準備一刀切刪除結(jié)果模型訓練集和驗證集分布對不上。原因這個數(shù)據(jù)集里 Visibility 的單位是 10m原始值 1000 表示 10000 米。把它當米處理會以為晴天的能見度上萬是數(shù)據(jù)錯誤其實不僅正常而且是有用的天氣信號。雨雪天的能見度原始值會掉到幾百甚至以下這種差異對預(yù)測很有區(qū)分度。解決讀數(shù)據(jù)后先確認字段單位能見度轉(zhuǎn)成公里再存vis_km vis / 100。刪除異常值前先看單位定義別讓單位問題毀掉一個真正有效的特征。這類坑在公開數(shù)據(jù)集里尤其常見下載頁的說明文檔和數(shù)據(jù)字典值得先讀一遍再動手。6. 從模型到結(jié)論外推驗證與特征效應(yīng)解讀6.1 按時間切分的驗證與滾動窗口隨機切分在第 5 章已經(jīng)否掉了但一次性按時間切也還不夠。首爾這個城市有明顯的季節(jié)周期春秋騎行量大、冬夏差很多只切一刀可能訓練集里沒有見過足夠多的冬天樣本驗證集又剛好落在冬天誤差會被高估。更穩(wěn)的做法是滾動窗口模擬真實上線時“每周重訓一次”的節(jié)奏。dates - sort(unique(bike$date)) # 以 30 天為窗口每天滾動一天 for (i in 1:(length(dates) - 30)) { trn - bike %% filter(date dates[i], date dates[i 30]) tst - bike %% filter(date dates[i 30]) # 這里放你的模型訓練代碼記錄當天預(yù)測誤差到結(jié)果表 # err_day[i] - calc_rmse(tst$rented, pred) }這個循環(huán)跑起來會重訓很多次模型計算量大但得到的是模型在一年各個季節(jié)里真實的外推表現(xiàn)。跑完后按月份聚合誤差如果 1 月和 7 月的誤差明顯高于春秋說明模型還沒學到溫度極值對騎行需求的非線性壓制這就是下一步要加的交互項或新特征。6.2 用特征效應(yīng)而不是變量重要性解釋模型樹模型的變量重要性只告訴你哪些特征參與分裂多不告訴你怎么影響預(yù)測。Hour 重要性最高是因為它把早晚高峰切開了但你從重要性數(shù)字里看不出“早上 8 點需求爬升、下午 6 點另一個峰”。要把結(jié)論講給業(yè)務(wù)聽得看偏依賴圖。library(pdp) pd_hour - partial(fit_rf, pred.var hour, train train) plot(pd_hour, type b)partial計算的是固定其他特征為均值時Hour 變化帶來的預(yù)測均值變化。畫出來能看到清晰的早晚雙峰。這個圖就是調(diào)度業(yè)務(wù)最需要的那個結(jié)論早高峰備車、午間低谷、晚高峰再備一次。數(shù)據(jù)現(xiàn)象模型表現(xiàn)調(diào)度動作工作日早 7–9 點需求峰Hour 偏依賴圖第一個峰早高峰前 1 小時從倉庫調(diào)車到地鐵口降雨量 0 時需求驟降raining 系數(shù)為負且與周末交互顯著雨天減少路側(cè)調(diào)度轉(zhuǎn)入車輛檢修氣溫超過 30℃ 后需求回落temp 平方項負系數(shù)高溫天減少露天站點車輛避免暴曬損耗最后說一個我自己的習慣模型定稿前強制自己看一眼按天聚合的誤差圖。如果誤差和氣溫、節(jié)假日出現(xiàn)清晰模式說明還有信息沒進模型如果誤差平穩(wěn)地繞零波動才敢往上線走。這套流程在首爾自行車數(shù)據(jù)上成立換到用戶消費預(yù)測、銷量預(yù)測這些同樣帶時間結(jié)構(gòu)的場景也一樣。希望幫到你。本文還有配套的精品資源點擊獲取