因此，我正在作为一个更大项目的一部分，开发一个基本的机器学习算法。在这个部分中，我试图教机器使用两组数据，一组较小的数据只包含一个特征，而另一组较大的数据使用六个特征。两者如下所示。
我试图预测的标志如下所示。标志值为0表示真实/正常数据，而标志值为1表示“异常”数据。因此，我的目标是预测“异常”数据输入。从图片中可以看出，针对此目的的“异常”数据是与前一个数据点相比有显著变化的数据。问题之一是，计算机只能预测我插入到数据中的大约450个“假”数据中的80个。第二个问题是，计算机错误分类了一些数据，将一些真实数据标记为假数据。
我目前正在小数据集上进行大部分测试，只是为了让一切正常运行。我使用的是XGBoost算法，n_estimators设为1000，学习率为0.05。代码非常简单。
data = pd.read_csv('final_angles.csv')data.dropna(axis=0, subset=['steering_angle'], inplace=True)y = data.flagX = data.drop(['flag', 'frame_id'], axis=1)train_X, test_X, train_y, test_y = train_test_split(X.as_matrix(), y.as_matrix(), test_size=0.25, shuffle=False)my_model = XGBRegressor(n_estimators=1000, learning_rate=0.05) my_model.fit(train_X, train_y, early_stopping_rounds=5, eval_set=[(test_X, test_y)], verbose=False)predictions = my_model.predict(test_X)如果预测值超过0.5，则任何数据都被视为“假”或“异常”。
例如，这是我生成的结果：
文件中有457个“假”数据段。我们猜测其中108个数据点是假的。其中只有69个实际上是假的。我们在457个中猜对了69个（0.15098468271334792）。
有什么方法可以改进结果吗？我考虑过可能更换算法，尽管我不知道这会带来多大的帮助。使用随机森林或其他算法，或者进一步调整参数会有所帮助吗？我对任何建议都持开放态度。
回答：
我认为更换算法或搜索超参数并不会显著提高分类性能。
在我看来，你应该关注你的数据。
在你的数据中，机器看到的是行数据，但你说决定标志值的是与前一个数据点相比的显著变化。
因此，你应该考虑以下几点：
- 尝试使用适用于时间序列数据的算法
- 或者尝试进行一些特征工程，以便机器在每一行/行上能够看到与前一行/行相比的变化是否显著
以下是一些有用的链接，可以从中开始：
