多分组场景下单一Random Forest Regression预测模型构建咨询

你之前遇到的测试集仅覆盖单个地点的问题，和Location字段的one-hot编码无关，核心是错误使用了面向独立同分布样本的随机划分逻辑，不匹配时序预测+全地点覆盖的验证要求。

核心实现流程 #

• 特征工程处理
  Location字段直接做one-hot编码即可，不需要调整编码方式。在现有Month、Year字段基础上补充两类特征提升预测精度：
  • 连续时间步特征：将年月转换为递增的整数值，例如2018年3月记为time_step = (Year - 2018)*12 + Month，让模型学习长期气温变化的趋势性
  • 月份周期特征：对Month做正余弦转换，还原月份的环形周期属性（避免模型把相邻的12月和1月判定为相差11的离散值），转换代码如下：

    import numpy as np
    df['month_sin'] = np.sin(2 * np.pi * df['Month'] / 12)
    df['month_cos'] = np.cos(2 * np.pi * df['Month'] / 12)
    

• 数据集划分（解决测试集地点覆盖不全问题）
  完全抛弃默认的随机train_test_split，采用时间前切分逻辑：
  1. 按时间先后对所有样本排序，取时间最早的80%区间内所有地点的样本作为训练集，时间最晚的20%区间内所有地点的样本作为测试集。例如你有2018.1-2021.12共48个月的数据，就取2018.1-2021.2的全地点样本做训练，2021.3-2021.12的全地点样本做测试。这种划分方式完全匹配“用历史数据预测未来”的场景，不会出现数据泄露，且测试集天然覆盖全部50个地点。
  2. 交叉验证环节使用TimeSeriesSplit做时序分折，禁止使用普通K折随机打乱分折，每一轮验证集的时间必须晚于对应训练集的时间，保证每折验证都覆盖所有地点。
• 模型训练与批量预测
  1. 训练阶段输入特征为time_step、month_sin、month_cos、Year、所有Location的one-hot列，标签为Temp，直接训练单个RandomForestRegressor即可，不需要为每个地点单独建模。
  2. 预测未来x个月时，先构造完整的待预测特征表：
     • 先生成未来x个月所有月份对应的Month、Year、time_step、month_sin、month_cos值
     • 对每个未来月份，拼接50个地点的one-hot编码，最终生成x*50行的特征表（每个地点每个月对应1行）
     • 将构造好的特征表输入训练完成的模型，输出结果即为所有地点对应月份的气温预测值。

注意：绝对不要在时序气象预测任务中使用随机打乱样本的划分方式，这种方式会让模型在训练阶段间接接触到未来时间的气温信息，得到的测试集精度是虚高的，实际预测未来数据时效果会出现明显下跌。

内容的提问来源于stack exchange，提问作者Nina Hartley