哪种模型可以预测罕见发生？例如，当有人服药时

Question

我试图建立一个预测模型，这将使​​我有可能在某些条件下服药的人。我最感兴趣的是，该模型将相对准确地预测某人何时服药。我有一个有1400行的数据框架，其中大约134行是用户服用药物的行。我有一个DF，看起来有些类似于下面的示例。

df = pd.DataFrame({'time_hour': ['6', '12', '18'], 
               'weekday': [6, 1, 3],
               'previous_action': ['eat', 'sleep', 'eat'],
               'take_medicine': [0, 1, 1]})

我已经尝试使用逻辑回归和伯诺利天真的贝叶斯来解决此问题，但是每个人都只押注最常见的结果，即不服药的人。我尝试搜索如何解决这个问题而没有成功。

我已经查看了数据，该人每天在12和18中服药，所以我很好奇结果为什么如此糟糕。还有另一个模型可以更好地适合这种问题，还是我应该做些不同的事情？

做过的示例

predictors = ['time_hour', 'weekday', 'previous_action']
X = df[predictors]
y = df['take_medicine']
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.25,random_state=0)

from sklearn.naive_bayes import BernoulliNB
bert = BernoulliNB()
bert.fit(X_train, y_train)
y_pred = bert.predict(X_test)
y_pred

这是我以前

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

Answer 1

预测罕见发生的情况称为异常检测，您可以查找它，许多模型在您的情况下可能很有用，例如隔离森林 > Sklearn 库。