正确ML方法

Question

我想让你思考一下我一直面临的一个问题。我有日常水平的产品销售信息(大约4年)。销售受到典型因素的影响，如季节性、周数、“质量”、营销支出(有时事前看不见，这使其成为一个令人困惑的变量，可能会产生因果推理类型方法或潜在的变量方法)。

然而，主要的挑战是每种产品只销售8-12周(短生命周期产品，易腐产品)。这是每种产品的整个生命周期。问题是，在特定的一天，预测个别产品的销售情况，然后把它们加起来，找出销售商(销售这些产品的人)的总销售额。我们知道什么类型的产品将推出，但我们不知道产品的确切质量或营销支出前。其他的变数，如市场潜力、放假日、假期等，我们通常都知道。

请注意，产品的销售量在第一至第二周内很高，然后随着时间的推移而减少(衰减系数)，并不是所有的产品都是相似的，也就是说，这些曲线不能成功地平均产生一条具有代表性的曲线。

注意:我们尝试了基于回归的方法(有很高的误差)，以及Kaggle最喜欢的XGBoost算法(和RF)来学习非线性，但问题是生命周期短，会产生许多异常数据点(这意味着从业务角度来看，它们实际上不是异常值)。开放尝试RNN，LSTM等，如果它们是正确的方法。

提前谢谢！！

Answer 1

因此，本质上，你有一个产品i，每个产品都有一个很短的时间维t。不清楚这是什么，但是如果你(看起来是这样)在整个时间里(以及由此产生的产品)集中在一起，你就会混淆不同的产品i。如果有任何关于每种产品的质量(决定需求)的信息，你可以根据产品I的质量来区分，然后看看需求(由质量控制)是如何随时间变化的(在提供产品的时候)。因此，你不应该堆叠产品随着时间的推移，但看看你是否可以解释如何确定每一个单一产品的需求。本质上，你有很多短暂的时间序列。您应该看看这些时间序列之间的销售水平中的驱动程序是什么。