怎样做电商的销量预测模型( 四 )
（3）不能在同一时间处理多个时间序列；
（4）不能表现真实商业环境下的需求。
2.机器学习模型机器学习的优点在于可支持多变量输入，不用有确定的需求分布式，且一个模型适用于多个时间序列。这其中，特征工程（Feature Engineering）至关重要。举个例子，销售数据包含不同的产品、品牌、颜色、形状和大小等信息，且包含时间点，如周几、几点等，还有地点信息，常为邮政编码。那么对这组数据中的某一个产品进行分析，可以得到以下特征值，如过去七天的平均销售量、过去7天的方差、过去14天的最大销售量、第七天的总销售量、过去一个月90%的销量的分位数等特征，这些信息就构成了一个特征向量，利用这个特征向量我们就可以分析热卖单品。目前的机器学习模型有以下四种：
基于树的学习算法被认为是非监督学习方法中最好的并且是最常用的方法之一。基于树的方法使得模型的精确率很高，很稳定和容易解释。与线性模型不同，基于树的模型能够很好地表达非线性关系，它适合用来解决我们遇到的任何问题(分类和回归问题)。下面我们来一起学习回归树、随即森林、梯度提升，其中随即森林、梯度提升在各种数据科学问题中被广泛使用。
1.回归树决策树实际上是将空间用超平面进行划分的一种方法，每次分割的时候，都将当前的空间一分为二， 这样使得每一个叶子节点都是在空间中的一个不相交的区域，在进行决策的时候，会根据输入样本每一维feature的值，一步一步往下，最后使得样本落入N个区域中的一个（假设有N个叶子节点）。
2.随机森林随机森林是一种通用的机器学习方法，能够解决分类和回归任务。它同时可以进行降维、处理缺失值、离群值和其他数据探索。常用算法有：自助法（bagging），独立变量分类，random resample with replacement, random feature selection at split.
3.梯度提升梯度提升决策树是指每一次建立模型是在之前建立模型的损失函数的梯度下降方向。其核心在于，每一棵树学的是之前所有树结论和的残差，这个残差可理解为与预测值的差值。举个例子：比如预测张三的年龄，张三的真实年龄18岁，第一棵树预测张的年龄12岁，此时残差为18-12=6岁，因此在第二棵树中，我们把张的年龄作为6岁去学习，如果预测成功了，则张的真实年龄就是A树和B树的结果预测值的和，但是如果B预测成了5岁，那么残差就变成了6-5=1岁，那么此时需要构建第三树对1岁做预测，后面同理。常用算法有：提升算法，sequential classifiers, Resample with weights.
机器学习的局限性在于需要人类专家的参与，某些特征非常难捕捉，并非常耗时。
各类方法的比较统计学时间序列模型易读非线性问题的模型复杂度较低较难解决跨性能的多时间序列问题机器学习较灵活，可解决各类特征问题难捕捉特征工程通过上文的介绍，可见需求预测的重要性。虽然以前没有电商，但也有这样的哲学思想，正所谓“凡事预则立，不预则废。”下面我们将从数据、问题定性、建模、亮点和数值结果五个方面学习京东的实战成果。
京东实战之数据样本数据为3个表，包含过去2年1000个库存单元的特征、历史销售、促销活动表，可从JD Global Optimization Challenge（GOC）上获取。
用概率和多时间段方法预测每个库存单元每天的销售
京东实战之模型框架
推荐阅读
- 聪明人养花，这3种“花”怎样也要养一盆，每年能省不少医药费
- 广西鹿寨贫困户玩直播带货变身创业新星以电商帮老乡卖滞销农产品
- 互联网怎样解决“家政服务上门速度慢”的问题
- 怎样看待从1月8号起，QQ钱包开始提现收费
- 银行it人怎样转型
- 汽车知识|凯美瑞2.0L落地近22万，动力差，优惠少，但就是销量高！
- 销量|同比增长174.6% 威马汽车11月销量达3,018辆
- 汽车|冬天怎样让车内温度快速升高？座椅加热的最佳使用方式二，外循环的作用总结
- 怎样进入通信行业
- 怎样评价扶他柠檬茶的小说《云养汉》的结尾