Que faire lorsque les données de test ont moins de fonctionnalités que les données de formation?

Disons que nous prédisons les ventes d'une boutique et que mes données de formation ont deux ensembles de fonctionnalités:

• Un sur les ventes du magasin avec les dates (le champ "Store" n'est pas unique)
• Un sur les types de magasins (le champ "Store" est unique ici)

La matrice ressemblerait donc à ceci:

+-------+-----------+------------+---------+-----------+------+-------+--------------+
| Store | DayOfWeek |    Date    |  Sales  | Customers | Open | Promo | StateHoliday |
+-------+-----------+------------+---------+-----------+------+-------+--------------+
|   1   |     5     | 2015-07-31 |  5263.0 |   555.0   |  1   |   1   |      0       |
|   2   |     5     | 2015-07-31 |  6064.0 |   625.0   |  1   |   1   |      0       |
|   3   |     5     | 2015-07-31 |  8314.0 |   821.0   |  1   |   1   |      0       |
|   4   |     5     | 2015-07-31 | 13995.0 |   1498.0  |  1   |   1   |      0       |
|   5   |     5     | 2015-07-31 |  4822.0 |   559.0   |  1   |   1   |      0       |
|   6   |     5     | 2015-07-31 |  5651.0 |   589.0   |  1   |   1   |      0       |
|   7   |     5     | 2015-07-31 | 15344.0 |   1414.0  |  1   |   1   |      0       |
|   8   |     5     | 2015-07-31 |  8492.0 |   833.0   |  1   |   1   |      0       |
|   9   |     5     | 2015-07-31 |  8565.0 |   687.0   |  1   |   1   |      0       |
|   10  |     5     | 2015-07-31 |  7185.0 |   681.0   |  1   |   1   |      0       |
+-------+-----------+------------+---------+-----------+------+-------+--------------+
[986159 rows x 4 columns]

et

+-------+-----------+------------+---------------------+
| Store | StoreType | Assortment | CompetitionDistance |
+-------+-----------+------------+---------------------+
|   1   |     c     |     a      |         1270        |
|   2   |     a     |     a      |         570         |
|   3   |     a     |     a      |        14130        |
|   4   |     c     |     c      |         620         |
|   5   |     a     |     a      |        29910        |
|   6   |     a     |     a      |         310         |
|   7   |     a     |     c      |        24000        |
|   8   |     a     |     a      |         7520        |
|   9   |     a     |     c      |         2030        |
|   10  |     a     |     a      |         3160        |
+-------+-----------+------------+---------------------+
[1115 rows x 4 columns]

La deuxième matrice décrit le type de magasin, les groupes d'assortiments d'articles que chacun vend et la distance du magasin concurrent le plus proche.

Mais dans mes données de test, je n'ai que des informations dans la première matrice sans les champs Customerset Sales. L'objectif est de prédire le domaine des ventes

• Boutique
• Jour de la semaine
• Date
• Ouvert (si le magasin est ouvert)
• Promo (si le magasin a une promotion)
• StateHoliday (que ce soit un jour férié)

Je peux facilement former un classificateur basé sur les champs à puces ci-dessus pour prédire, Salesmais comment puis-je utiliser la deuxième matrice dans mes données d'entraînement que je n'obtiendrais pas dans les données de test?

Est-il logique de supposer que la deuxième matrice sur les types de magasin est statique et que je peux facilement la joindre aux données de test?

Que se passe-t-il s'il y a des trous dans mon jeu de fonctionnalités de données de test, disons que pour certaines lignes des données de test, je n'ai pas les valeurs "Promo".

Utilisez les fonctionnalités supplémentaires pour un apprentissage non supervisé. Vous pourriez apprécier l'approche de Vladimir Vapnik à ce sujet dans le contexte des SVM, qu'il appelle un apprentissage privilégié: Apprendre avec un enseignant intelligent: contrôle de la similitude et transfert de connaissances

Je pense qu'il pourrait y avoir un problème dans la façon dont vous énoncez le problème. Vous dites que vos données de test n'ont pas deux champs, mais cela ne peut pas être correct.

Vous devez prendre toutes vos données et les diviser en 2 groupes, l'ensemble d'entraînement et l'ensemble de test. Dans une proportion de 80% -20% ou 70% -30%. Ensuite, vous entraînez votre algorithme avec les données de l'ensemble de formation et testez la précision du modèle avec les données de l'ensemble de test.

La précision que vous obtenez est la probabilité que votre modèle soit correct. Ou dit autrement, la prochaine fois que vous utiliserez votre modèle pour prédire une vente, la précision est la probabilité que votre prédiction soit réelle