การใช้เครื่องมือการเรียนรู้เครื่องมาตรฐานกับข้อมูลที่ตรวจสอบแล้ว


11

ฉันกำลังพัฒนาแอพพลิเคชั่นพยากรณ์ซึ่งมีวัตถุประสงค์เพื่อให้ผู้นำเข้าสามารถคาดการณ์ความต้องการผลิตภัณฑ์ของตนจากเครือข่ายลูกค้าของผู้จัดจำหน่าย ตัวเลขยอดขายเป็นตัวแทนที่ดีสำหรับความต้องการตราบใดที่มีสินค้าคงคลังเพียงพอที่จะเติมเต็มความต้องการ เมื่อสินค้าคงคลังถูกดึงลงมาที่ศูนย์แม้ว่า (สถานการณ์ที่เรากำลังมองหาเพื่อช่วยให้ลูกค้าหลีกเลี่ยง) เราไม่ทราบมากว่าเราพลาดเป้าหมายโดย ลูกค้าจะทำยอดขายได้เท่าใดพวกเขามีอุปทานเพียงพอหรือไม่ วิธีการ ML แบบอิงการถดถอยแบบมาตรฐานที่ใช้การขายเป็นตัวแปรเป้าหมายอย่างง่ายจะสร้างการประมาณที่ไม่สอดคล้องกันของความสัมพันธ์ระหว่างเวลาตัวแปรอธิบายของฉันและความต้องการ

การสร้างแบบจำลองบิทเป็นวิธีที่เห็นได้ชัดที่สุดในการแก้ปัญหา: http://en.wikipedia.org/wiki/Tobit_model ฉันสงสัยเกี่ยวกับการปรับ ML ป่าสุ่ม, GBMS, SVM และเครือข่ายประสาทที่ยังบัญชีสำหรับโครงสร้างเซ็นเซอร์ข้อมูลด้านซ้ายมือ

ในระยะสั้นฉันจะใช้เครื่องมือการเรียนรู้ของเครื่องกับข้อมูลการถดถอยที่ถูกเซ็นเซอร์ด้านซ้ายเพื่อรับการประมาณการที่สอดคล้องกันของความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระของฉันได้อย่างไร การตั้งค่าแรกจะเป็นโซลูชั่นที่มีอยู่ใน R ตามด้วย Python

ไชโย

แอรอน


3
ชอบที่จะเห็นคำตอบ wrt scikit เรียนรู้
tobip

ในการวิจัยคุณสามารถใช้cran.r-project.org/web/packages/censReg/censReg.pdf ฉัน @tobip ที่สองเกี่ยวกับ scikit เรียนรู้ในหลาม
เอเดรีย

คำตอบ:


1

ในระยะสั้นฉันจะใช้เครื่องมือการเรียนรู้ของเครื่องกับข้อมูลการถดถอยที่ถูกเซ็นเซอร์ด้านซ้ายเพื่อรับการประมาณการที่สอดคล้องกันของความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระของฉันได้อย่างไร

หากคุณสามารถเขียนความเป็นไปได้และพลิกสัญญาณไปที่เครื่องหมายลบคุณจะมีฟังก์ชั่นการสูญเสียในตัวเองซึ่งสามารถใช้กับโมเดลการเรียนรู้ของเครื่องหลาย ๆ แบบ ในการไล่ระดับสีการส่งเสริมการนี้จะตัดสินกันทั่วไปว่าเป็นรูปแบบการส่งเสริมการ ดูเช่นการส่งเสริมอัลกอริทึม: กู, ทำนายและรุ่นติดตั้งอุปกรณ์

เป็นตัวอย่างกับโมเดลของ Tobit ดูที่Gradient Tree Boosted Tobit Models สำหรับกระดาษทำนายค่าเริ่มต้น ควรใช้วิธีการนี้กับสาขา scikit-Learn ที่กล่าวถึงในเอกสาร

แนวคิดเดียวกันนี้ใช้สำหรับข้อมูลเซ็นเซอร์ที่ถูกต้องเช่นgbmและmboostแพ็คเกจใน R สำหรับข้อมูลเซ็นเซอร์ที่ถูกต้อง

L2

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.