Machine learning 预测建模

如何对此类数据执行回归（随机森林、神经网络）

数据包含功能，我们需要根据周和属性预测销售数量

这里我附上了样本数据

---

多元线性回归

假定

• 输入变量x[][]（每行对应一个样本，每列对应一个变量，如周、季节等）
• 预期输出y[]（与x一样多的行）
• 正在学习的参数θ[]（尽可能多的输入变量+1）

您正在优化函数h：

h=所有j的{x[j][i]*p[i]-y[j]}之和最小

这可以通过梯度下降轻松实现。 您还可以包括参数的组合（并且只需为这些伪参数包含更多θ）

我在GitHub存储库中有一些代码，可以执行基本的多元线性回归（对于我有时教的课程）

---

多元线性回归

假定

• 输入变量x[][]（每行对应一个样本，每列对应一个变量，如周、季节等）
• 预期输出y[]（与x一样多的行）
• 正在学习的参数θ[]（尽可能多的输入变量+1）

您正在优化函数h：

h=所有j的{x[j][i]*p[i]-y[j]}之和最小

这可以通过梯度下降轻松实现。 您还可以包括参数的组合（并且只需为这些伪参数包含更多θ）

我在GitHub存储库中有一些代码，可以执行基本的多元线性回归（对于我有时教的课程）

---

请共享

dput（head（data.frame））

。回归有很多种类型？你想要哪一个？在跳转到回归之前，您需要先执行EDA。谢谢@Tushar根据您的请求我上传了样本数据图像请共享

dput（head（data.frame））

。回归有很多种类型？你想要哪一个？在跳转到回归之前，您需要先执行EDA。谢谢@Tushar根据您的请求，我上传了样本数据图像谢谢@Joris我的意思是，对于准备数据以及我们需要执行什么样的数据转换，是否有任何建议。我们做了编码分类变量和规范化数据等工作。我添加了链接到代码（因为这篇文章太多了）。如果您同意我的答案，请将其标记为已接受的答案（这样我可以获得声誉积分）。这与线性回归的执行方式无关。我们正在尝试优化预测任务的性能。最后，我们没有尝试任何线性回归，我们正在使用随机森林和神经网络进行尝试。希望您在回答问题时能够理解。回归指的是从输入预测连续变量的更广泛技术，可以指多种技术，包括随机森林和线性回归。谢谢@Joris。我的意思是，对于准备数据以及我们需要执行什么样的数据转换，有什么建议吗？我们做了一些事情，比如编码分类变量和规范化数据等。我添加了一个代码链接（因为这篇文章太多了）。如果您同意我的答案，请将其标记为已接受的答案（这样我可以获得声誉积分）。这与线性回归的执行方式无关。我们正在尝试优化预测任务的性能。最后，我们没有尝试任何线性回归，我们正在使用随机森林和神经网络进行尝试。希望您在回答问题时能够理解。回归是指从输入预测连续变量的更广泛的技术，可以指多种技术，包括随机森林和线性回归。