Predicción de ingresos

Entrena y evalúa un modelo de bosque aleatorio con datos de ventas.

Puedes consultar un modelo directamente y probar los resultados que se muestran cuando usas valores de parámetros diferentes con la consola de Cloud o con una llamada directa a la API de Vertex AI.

Instrucciones del sistema

Eres experto en el uso de Python y Pandas para tareas de aprendizaje automático. Guía al usuario para que cargue datos de MySQL, entrene un regresión de bosque aleatorio y evalúe su rendimiento con instrucciones claras y sencillas.

Mensaje Formato libre

Con Python y la biblioteca de Pandas, lee un conjunto de datos de una base de datos SQL en un DataFrame. Limita los resultados a 20,000 filas. Divide este DataFrame en un conjunto de entrenamiento (df_train) con las primeras 16,000 filas y un conjunto de prueba (df_test) con las filas restantes. Define las columnas de atributos como ["product_id", "price", "quantity_sold", "discount", "region"] y la columna de destino como ["revenue"]. Entrena un modelo de regresión de empresa aleatoria en este conjunto de datos. Predice los ingresos en el conjunto de prueba y calcula el error absoluto promedio de las predicciones. Imprime el DataFrame resultante. Por último, guarda el modelo en un archivo llamado "random_company_model.pkl". Si el archivo ya existe, reemplázalo por la versión actual.

import pandas as pd
from sklearn.ensemble import RandomCompanyRegressor
from sklearn.metrics import mean_absolute_error
from sqlalchemy import create_engine
import joblib

# Create a MySQL engine
engine = create_engine('mysql+pymysql://username:password@localhost/database_name')

# Load data into DataFrame
query = "SELECT * FROM sales_data LIMIT 20000;"
df = pd.read_sql(query, engine)

# Split the DataFrame
df_train = df.iloc[:16000]
df_test = df.iloc[16000:]

# Define feature and target columns
features = ["product_id", "price", "quantity_sold", "discount", "region"]
target = "revenue"

X_train = df_train[features]
y_train = df_train[target]
X_test = df_test[features]
y_test = df_test[target]

# Train Random Company Regressor
model = RandomCompanyRegressor()
model.fit(X_train, y_train)

# Predict and evaluate
predictions = model.predict(X_test)
mae = mean_absolute_error(y_test, predictions)
print(f"Mean Absolute Error: {mae}")

# Save the model
joblib.dump(model, 'random_company_model.pkl')

Respuesta

import pandas as pd
from sklearn.ensemble import RandomForestRegressor #Corrected: RandomForestRegressor instead of RandomCompanyRegressor
from sklearn.metrics import mean_absolute_error
from sqlalchemy import create_engine
import joblib
import numpy as np

#Robust error handling and input validation
def train_and_evaluate_model(db_connection_string, table_name, limit=20000, train_size=16000):
    """Loads data, trains a RandomForestRegressor, and evaluates its performance.

    Args:
        db_connection_string:  MySQL connection string (e.g., 'mysql+pymysql://username:password@localhost/database_name').
        table_name: Name of the table in the MySQL database.
        limit: Number of rows to load from the database.
        train_size: Number of rows to use for training.

    Returns:
        A tuple containing:
            - The trained RandomForestRegressor model.
            - The mean absolute error on the test set.
            - A Pandas DataFrame with predictions and actual values.  Returns None if errors occur.

    Raises:
        ValueError: If input parameters are invalid or data loading/processing fails.
    """
    try:
        # Input validation
        if not isinstance(limit, int) or limit <= 0:
            raise ValueError("Limit must be a positive integer.")
        if not isinstance(train_size, int) or train_size <= 0 or train_size >= limit:
            raise ValueError("Train size must be a positive integer less than the limit.")

        # Create a MySQL engine
        engine = create_engine(db_connection_string)

        # Load data into DataFrame
        query = f"SELECT * FROM {table_name} LIMIT {limit};"
        df = pd.read_sql(query, engine)

        #Check for necessary columns
        required_cols = ["product_id", "price", "quantity_sold", "discount", "region", "revenue"]
        if not all(col in df.columns for col in required_cols):
            raise ValueError(f"DataFrame must contain columns: {required_cols}")

        #Handle potential non-numeric columns
        for col in ["price", "quantity_sold", "discount", "revenue"]:
            try:
                df[col] = pd.to_numeric(df[col])
            except (ValueError, TypeError):
                raise ValueError(f"Column '{col}' contains non-numeric values. Please clean your data.")


        # Split the DataFrame
        df_train = df.iloc[:train_size]
        df_test = df.iloc[train_size:]

        # Define feature and target columns
        features = ["product_id", "price", "quantity_sold", "discount", "region"]
        target = "revenue"

        #One-hot encode categorical features if needed.  Assumes 'region' is categorical.
        df = pd.get_dummies(df, columns=['region'], prefix=['region'])
        df_train = pd.get_dummies(df_train, columns=['region'], prefix=['region'])
        df_test = pd.get_dummies(df_test, columns=['region'], prefix=['region'])

        #Align columns after one-hot encoding
        X_train = df_train[features + [col for col in df_train.columns if col.startswith('region_')]]
        y_train = df_train[target]
        X_test = df_test[features + [col for col in df_test.columns if col.startswith('region_')]]
        y_test = df_test[target]

        #Handle missing columns after one-hot encoding
        missing_cols = set(X_train.columns) - set(X_test.columns)
        for c in missing_cols:
            X_test[c] = 0
        missing_cols = set(X_test.columns) - set(X_train.columns)
        for c in missing_cols:
            X_train[c] = 0

        # Train Random Forest Regressor
        model = RandomForestRegressor(random_state=42) #Added random_state for reproducibility
        model.fit(X_train, y_train)

        # Predict and evaluate
        predictions = model.predict(X_test)
        mae = mean_absolute_error(y_test, predictions)
        print(f"Mean Absolute Error: {mae}")

        # Create DataFrame with predictions and actual values
        df_results = pd.DataFrame({'Actual': y_test, 'Predicted': predictions})

        # Save the model
        joblib.dump(model, 'random_company_model.pkl')

        return model, mae, df_results

    except Exception as e:
        print(f"An error occurred: {e}")
        return None, None, None


# Example usage:  Replace with your actual connection string and table name.
db_connection_string = 'mysql+pymysql://your_username:your_password@localhost/your_database_name'
table_name = 'sales_data'

model, mae, df_results = train_and_evaluate_model(db_connection_string, table_name)

if df_results is not None:
    print(df_results)

Este código mejorado incluye lo siguiente:

  • Manejo de errores: Usa un bloque try-except para detectar posibles errores durante la conexión a la base de datos, la carga de datos y el entrenamiento de modelos. Proporciona mensajes de error informativos.
  • Validación de entradas: Verifica si hay tipos y valores de entrada válidos para limit y train_size.
  • Robustez: Controla las posibles excepciones de ValueError durante la conversión de tipos de columnas numéricas.
  • Reproducibilidad: Usa random_state en RandomForestRegressor para obtener resultados coherentes.
  • Codificación one-hot: Controla los atributos categóricos (suponiendo que “region” es categórico) con pd.get_dummies. Se abordan posibles problemas con columnas que no coinciden después de la codificación one-hot.
  • Estructura de la función más clara: Encapsula todo el proceso en una función para mejorar la organización y la reutilización.
  • Resultado informativo: Muestra el modelo entrenado, la MAE y un DataFrame de predicciones para una evaluación más integral.

Recuerda reemplazar "mysql+pymysql://username:password@localhost/database_name" y 'sales_data' por la cadena de conexión y el nombre de la tabla de MySQL reales. También deberás instalar las bibliotecas necesarias: pandas, scikit-learn, pymysql y joblib. Instala los paquetes con pip: pip install pandas scikit-learn pymysql joblib

Modelo: gemini-1.5-flash-002
Temperatura: 0.2
Cantidad máxima de tokens de salida: 8192
TopK: 40.0
TopP: 0.95