我得到了一些关于臭氧、NO、NO2和CO的多年数据，需要使用这些数据来预测臭氧的值。假设我有2015年、2016年、2018年和2019年的数据。我需要使用2015年、2016年和2018年的数据来预测2019年的臭氧值。
数据格式是按小时记录的，并且以月份的形式呈现图像。所以数据就是以这种格式存在的。
我所做的：首先，将各年的数据合并到一个Excel文件中，该文件包含4列：NO、NO2、CO、O3。并按月份添加所有数据。这就是我使用的主文件附件图像
我使用了Python。首先需要清理数据。让我解释一下。NO、NO2和CO是臭氧的前体，这意味着臭氧气体的产生依赖于这些气体，并且数据需要预先清理，约束条件是删除任何负值，并删除包括其他列在内的整行，因此如果臭氧、NO、NO2和CO中的任何一个值无效，我们就必须删除整行而不计入它。数据中还包含了一些字符串格式，也需要删除。所有这些都已经完成。然后我应用了来自sklearn的MLP分类器。这是我做的代码。
from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom sklearn.svm import SVCfrom sklearn.metrics import confusion_matrix, accuracy_scorefrom sklearn.neural_network import MLPClassifierimport pandas as pdimport numpy as npimport matplotlib.pyplot as pltbugs = ['NOx', '* 43.3', '* 312', '11/19', '11/28', '06:00', '09/30', '09/04', '14:00', '06/25', '07:00', '06/02', '17:00', '04/10', '04/17', '18:00', '02/26', '02/03', '01:00', '11/23', '15:00', '11/12', '24:00', '09/02', '16:00', '09/28', '* 16.8', '* 121', '12:00', '06/24', '13:00', '06/26', 'Span', 'NoData', 'ppb', 'Zero', 'Samp<', 'RS232']dataset = pd.read_excel("Testing.xlsx")dataset = pd.DataFrame(dataset).replace(bugs, 0)dataset.dropna(subset=["O3"], inplace=True)dataset.dropna(subset=["NO"], inplace=True)dataset.dropna(subset=["NO2"], inplace=True)dataset.dropna(subset=["CO"], inplace=True)dataset.drop(dataset[dataset['O3'] < 1].index, inplace=True)dataset.drop(dataset[dataset['O3'] > 160].index, inplace=True)dataset.drop(dataset[dataset['O3'] == 0].index, inplace=True)dataset.drop(dataset[dataset['NO'] < 1].index, inplace=True)dataset.drop(dataset[dataset['NO'] > 160].index, inplace=True)dataset.drop(dataset[dataset['NO'] == 0].index, inplace=True)dataset.drop(dataset[dataset['NO2'] < 1].index, inplace=True)dataset.drop(dataset[dataset['NO2'] > 160].index, inplace=True)dataset.drop(dataset[dataset['NO2'] == 0].index, inplace=True)dataset.drop(dataset[dataset['CO'] < 1].index, inplace=True)dataset.drop(dataset[dataset['CO'] > 4000].index, inplace=True)dataset.drop(dataset[dataset['CO'] == 0].index, inplace=True)dataset = dataset.reset_index()dataset = dataset.drop(['index'], axis=1)feat = dataset[["NO", "NO2", "CO"]].astype(int)label = dataset[["O3"]].astype(int)X_train, X_test, y_train, y_test = train_test_split(feat, label, test_size=0.1)# X_train = dataset.iloc[0:9200, 0:3].values.astype(int)# y_train = dataset.iloc[0:9200, 3].values.astype(int)# X_test = dataset.iloc[9200:9393, 0:3].values.astype(int)# y_test = dataset.iloc[9200:9393, 3].values.astype(int)sc_x = StandardScaler()X_train = sc_x.fit_transform(X_train)X_test = sc_x.fit_transform(X_test)def accuracy(confusion_matrix): # <--== diagonal_sum = confusion_matrix.trace() sum_of_all_elements = confusion_matrix.sum() return diagonal_sum / sum_of_all_elementsclassifier = MLPClassifier(hidden_layer_sizes=(250, 100, 10), max_iter=100000, activation='relu', solver='adam', random_state=1)classifier.fit(X_train, y_train.values.ravel())y_pred = classifier.predict(X_test)print(f"\n{X_test}\n ----> \nPredictions : \n{y_pred}\n{y_pred.shape}\n")cm = confusion_matrix(y_pred, y_test)print(f"\nAccuracy of MLP.Cl : {accuracy(cm)}\n")print(accuracy_score(y_test, y_pred))y_test = pd.DataFrame(y_test)y_test = y_test.reset_index(0)y_test = y_test.drop(['index'], axis=1)y_test = y_test.head(100)# y_test = y_test.drop([19,20],axis=0)y_pred = pd.DataFrame(y_pred)y_pred = y_pred.shift(-1)y_pred = y_pred.head(100)# y_pred = y_pred.drop([19,20],axis=0)plt.figure(figsize=(10, 5))plt.plot(y_pred, color='r', label='PredictedO3')plt.plot(y_test, color='g', label='OriginalO3')plt.legend()plt.show()这是代码，附件是这里的图表，控制台输出如下：
PyDev console:[[-0.53939794 -0.59019756 -0.53257553] [ 2.55576818 0.45245455 -0.7648624 ] [-0.36744427 0.73681421 -0.30028866] ... [-0.59671583 -0.02147823 1.81678204] [-0.25280849 0.73681421 1.31145621] [-0.53939794 0.64202766 0.18466113]] ----> Predictions : [15 39 45 40 42 11 14 32 23 23 21 23 3 15 23 59 15 34 12 10 42 23 12 8 14 3 8 42 12 61 36 13 11 20 12 10 14 42 12 20 9 5 14 11 20 14 10 85 42 73 43 23 61 85 55 13 14 20 85 32 15 15 42 42 12 23 13 23 85 8 23 11 36 32 20 12 27 35 55 17 15 23 12 44 42 17 23 45 35 23 3 11 23 12 60 11 15 39 15 44 49 7 35 42 45 13 12 55 42 18 42 6 23 14 60 43 16 18 10 43 85 20 23 88 8 20 26 23 53 45 16 4 48 27 3 61 15 7 23 6 40 12 44 12 12 4 12 13 24 24 23 15 16 13 40 12 12 10 12 15 53 12 42 45 38 23 45 17 12 30 12 45 60 65 12 52 4 35 3 15 11 23 40 42 18 23 45 45 49 43 35 62 46 14 21 11 6 24 23 16 23 21 45 42 85 39 12 16 10 38 43 6 23 20 11 65 14 14 14 45 24 18 85 60 15 10 16 14 23 10 17 6 13 42 4 7 17 51 23 3 85 42 23 55 21 15 32 14 17 12 42 18 16 8 6 10 14 12 42 15 14 43 25 12 14 15 85 20 42 23 43 32 18 12 42 35 6 47 12 20 12 6 51 8 20 45 40 43 12 14 44 23 23 21 15 45 24 12 23 23 42 15 12 46 35 8 14 16 42 11 42 16 13 61 60 25 26 16 45 10 17 5 43 21 26 12 49 12 42 11 38 48 21 45 9 48 11 20 13 23 16 21 11 12 44 55 11 16 53 45 8 17 12 9 85 56 7 23 23 26 12 42 42 51 17 23 43 52 24 12 29 11 21 42 16 6 20 18 16 8 14 15 13 43 10 23 16 15 42 43 23 11 14 25 47 16 24 14 7 43 45 14 5 18 51 42 20 15 39 32 12 44 13 51 12 43 42 23 42 17 11 12 11 42 12 5 35 51 23 51 14 9 11 34 18 21 88 21 15 15 6 49 12 51 8 12 49 8 4 17 15 6 26 3 15 43 14 5 23 15 88 21 85 11 23 25 45 14 12 65 45 27 48 42 12 14 44 45 4 44 40 16 23 25 15 10 20 12 15 62 6 13 20 20 11 56 12 40 11 14 25 6 25 12 40 85 40 85 43 11 14 32 11 8 6 8 23 12 26 18 60 18 51 40 13 51 12 8 23 45 20 4 23 11 3 12 51 11 18 12 40 14 40 7 85 44 60 85 45 14 14 14 11 55 18 16 45 13 23 51 11 14 23 18 14 7 40 23 15 32 12 12 23 42 49 88 11 11 42 6 25 12 6 11 18 6 13 35 8 15 42 39 23 9 23 32 20 21 12 20 20 38 7 12 42 8 13 17 55 60 16 39 18 42 42 12 60 14 16 40 9 18 85 40 5 14 23 45 10 24 14 25 11 17 15 42 42 15 23 15 8 34 16 60 42 14 48 51 11 6 51 15 42 12 42 20 12 25 26 25 45 26 40 48 23 45 23 21 11 17 48 12 12 6 15 34 10 16 18 17 13 20 45 3 9 39 12 11 15 23 42 45 45 65 51 6 45 15 15 17 51 8 51 34 14 17 13 38 38 21 18 51 55 16 9 44 42 6 42 17 6 25 88 11 10 48 20 40 21 12 44 27 47 42 38 15 49 12 12 12 6 12 8 16 42 9 20 18 23 18 12 13 20 16 14 12 23 10 60 18 25 23 43 21 12 12 10 61 21 40 6 16 45 38 12 17 12 15 32 9 38 17 14 11 6 15 14 6 48 21 13 13 15 36 3 45 25 29 24 16 8 10 27 21 20 51 10 16 21 12 20 23 46 23 3 34 29 15 23 15 48 42 17 42 43 15 35 34 23 23 44 23 4 35 12 42 49 36 15 18 15 14 11 18 16 20 15 25 9 43 51 45 12 15 39 21 51 18 24 26 17 9 42 44 12 30 32 8 20 44 52 20 23 23 15 12 12 42 8 5 42 23 21 16 24 65 16 12 38 36 43 60 15 7 85 15 26 42 40 11 12 23 12 20 40 23 42 6 23 52 16 20 23 45 51 9 42 42 25 6 21 23 15 8 12 12 26 11 16 15 39 8 26 43 48 47 12 48 12 11](940,)和
Accuracy of MLP.Cl : 0.04255319148936170.0425531914893617我无法得到正确的结果，或者可以说无法得到正确的预测。
回答：
您尝试预测的是一个连续值，这是一个回归问题，而不是分类问题；因此，MLPClassifier是错误的模型 – 正确的模型应该是MLPRegressor。
除此之外，准确率仅适用于分类问题，对于像您这样的回归问题是没有意义的；因此，在切换到正确模型后，您还应该使用其他适合回归问题的性能指标。
