商品的销售预测

Question

因此，我一直在尝试实现我的第一个算法来预测单个产品的(销售额/月)，我一直在使用线性回归，因为这是推荐给我的。我使用过去42个月的数据，前34个月作为培训集，其余8个月作为验证。

我一直在尝试使用四个特性来开始：

• 月数(1~12)
• 该产品在当月销售的平均价格
• 前一个月的发展次数
• 前一个月售出的数量

下面是具有比较真实数据x预测数据和误差x元素数图的图像：

到目前为止，结果并不理想(如上面的图像所示)，该算法甚至不能正确地得到训练集。我尝试用更高的多项式，正则化参数，这似乎使它更糟。

然后，我想知道是否有更好的方法来解决这个问题，或者我能做些什么来改善这个问题。

提前谢谢！

Answer 1

根据你提供的信息。我假设您已经执行了多元线性回归，即多个特征和一个待预测的响应特性。

首先，将PCA应用于除要预测的响应变量之外的所有功能。在你的例子中，你提到的四个特性。然后利用主成分分析将其转化为2分量矩阵。一旦你完成了这个图表，新的矩阵，你与响应功能形成的散射plot.So，有效地，一个三维散点图。

当您生成此散点图时，您将能够更好地可视化您必须使用的回归。你可以自己决定它是否是线性的。这取决于你适应的离群点有多少。

Answer 2

根据你在图表中看到的数据，据我说，这是一个时间序列建模问题，像ARIMA (自回归综合移动模型平均值)这样的模型将是一个更合适的模型。

由于您提到您正在开始(您现在可能已经做了很多)，以下是Jason博士关于在Python：用Python进行时间序列预测的ARIMA上实现ARIMA的教程。这是在样本预测中，您想要预测已经必须测试模型的值。

关于样本外预测，请参见：用Python进行预测的时间序列进行预测的时间序列模型