任务背景： 预测未来一周各个城市各个品类商品的销量
Rawdata： Brazilian E-Commerce(2017.4-2018.10)
目前已有销量数据：
2016/10（6个月）—2017/04—2018/10(18个月） 共计：24个月
滑动窗口：过去四周预测未来一周的数据
选用特征与标签（过去四周）：
特征变量：商品销量
属性标签：城市名、品类名、商品均价、店铺数量、用户数量
商品维度——商品销量、商品均价、品类名、城市名
店铺（用户）维度——城市名、品类名、店铺数量、用户数量
测试集（训练集）划分：
训练集70%（201610-201803）
验证集10%（检测模型合理性，调整参数，防止过拟合）（201804-201805）
测试集20%（201806-201810）
相关代码学习：
2、未来房价预测
（实践过程）
STEP ONE：
数据指标建立——
city_name,seller_id,product_id,order_id,customer_id,category_name,price,sale_num,sale_amt
STEP TWO:
数据预处理——
缺失数据 重复数据
训练集/测试集划分
STEP THREE:
撰写模型参数(区分指标和变量）
撰写评价模型
撰写预测函数
STEP FOUR：
结果分析——
validating
RMSPE: 0.179211
但相对于真实值，我们模型的预测值整体要偏高一些
从对偏差数据分析来看，偏差最大的几个数据却忽高忽低
改进方向１：将周处理成时间变量，利用时间的序列性特质（而非独立不自相关变量）
改进方向２：利用验证数据集，以不同的城市／品类分组进行细致校正，每个城市／品类分别计算可以取得最佳RMSPE得分的校正系数
Original: https://blog.csdn.net/AAurora/article/details/122801881
Author: K-DD
Title: xgboost回归预测1-商品销量预测
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/629923/
转载文章受原作者版权保护。转载请注明原作者出处！