我在python中编写了一个程序，使用机器学习算法来预测数据 . 我使用Scikit Learn的函数RandomForestClassifier创建一个随机森林来进行预测 .
该计划的目的是预测未知的天体物理来源是脉冲星还是agn;因此，它根据已知数据训练森林，它知道源是脉冲星或agn，然后它对未知数据进行预测，但它不起作用 . 该程序预测未知数据都是脉冲星或所有agn，它很少预测不同的结果，但不正确 .
下面我描述我的程序的段落 .
它创建一个包含所有源数据的数据框：all_df它由十列组成，九列用作预测变量，一列用作目标：
predictors=all_df[['spec_index','variab_index','flux_density','unc_ene_flux100','sign_curve','h_ratio_12','h_ratio_23','h_ratio_34','h_ratio_45']]
targets=all_df['type']
type列包含每个源的标签“pulsar”或“agn” .
预测器和目标的值连续用于训练森林的计划中 .
该程序使用Scikit Learn函数train_test_split将预测变量和目标分为两组：火车，即总数的70％，以及测试，即all_df总数的30％ .
pred_train, pred_test, tar_train, tar_test=train_test_split(predictors, targets, test_size=0.3)
这些集合中的数据是混合的，因此程序会对这些集合的索引进行排序，而不会更改数据位置：
pred_train=pred_train.reset_index(drop=True)
pred_test=pred_test.reset_index(drop=True)
tar_train=tar_train.reset_index(drop=True)
tar_test=tar_test.reset_index(drop=True)
之后，该程序创建并训练随机森林：
clf=RandomForestClassifier(n_estimators=1000,oob_score=True,max_features=None,max_depth=None,criterion='gini')#,random_state=1)
clf=clf.fit(pred_train,tar_train)
现在程序对测试集进行预测：
predictions=clf.predict(pred_test)
此时，程序似乎有效 .
现在它将带有未知数据的另一个数据帧传递给上面创建的林，我得到了之前描述的错误结果 . 你能帮助我吗？问题可能是randomforestclassifier中的偏移，但我没有修改randomforestclassifier选项的有意义的结果 . 如果您需要，我可以给出进一步的解释 . 提前致谢 .
再见，法比奥
PS：我也尝试了交叉验证：我将火车组分成火车并再次进行测试，比例相同（0.7和0.3），在初始测试集上测试之前创建，训练和测试森林，修改randomforestclassifier选项为了获得更好的结果，但我没有任何改进 .
1 回答
谢谢你回答，伙计们 .
正如所建议的那样，我在“测试”数据和“未知”数据中绘制了预测变量图;分布通常是相似的，但我更喜欢用直方图来表达它 . 所以我尝试做直方图，但我不能同时测试和未知数据，使用：
我获得了：TypeError：未确定对象的len（）
我还没有找到解决方案，我不知道这个错误是否会对预测产生负面影响 .
附加信息：各种预测变量的范围具有不同的数量级 . 对于测试和未知数据的相应预测器，范围是相同的，但是在少数情况下，测试数据范围与未知数据的相应预测器具有更大的数量级 . 这是因为某些点的值比集合中的大多数其他点大得多 .
再次感谢 . 再见，法比奥