精準(zhǔn)的銷售額預(yù)測(cè)能夠幫助企業(yè)管理者有效的制定經(jīng)營(yíng)規(guī)劃,進(jìn)而使經(jīng)營(yíng)策略和工作計(jì)劃更加有效和準(zhǔn)確,提高企業(yè)綜合競(jìng)爭(zhēng)力。當(dāng)前國(guó)內(nèi)外基于零售業(yè)銷售額的預(yù)測(cè)研究,通常使用時(shí)間序列分析預(yù)測(cè)方法與機(jī)器學(xué)習(xí)建模預(yù)測(cè)方法。時(shí)間序列分析預(yù)測(cè)方法在預(yù)測(cè)中突出了時(shí)間因素的作用,沒有將外界的影響因素考慮在內(nèi),所以當(dāng)外界環(huán)境變化較大時(shí),預(yù)測(cè)值往往會(huì)有較大的誤差。機(jī)器學(xué)習(xí)建模預(yù)測(cè)方法分析的是影響預(yù)測(cè)的全部因素,預(yù)測(cè)方法靈活高效。但是單獨(dú)的機(jī)器學(xué)習(xí)建模預(yù)測(cè)方法基于預(yù)先假設(shè),這種假設(shè)具有局限性,導(dǎo)致單個(gè)模型無法包含數(shù)據(jù)中的全部信息,需要組合多種模型建立混合模型進(jìn)行預(yù)測(cè)。本文的研究重點(diǎn)是基于現(xiàn)實(shí)銷售數(shù)據(jù)建立混合模型,提高預(yù)測(cè)模型的預(yù)測(cè)精度與泛化能力。本文的研究對(duì)象是德國(guó)實(shí)體零售業(yè)巨頭Rossmann公司的多家商店銷售數(shù)據(jù)與商店信息數(shù)據(jù),對(duì)這些數(shù)據(jù)進(jìn)行探索性數(shù)據(jù)分析,分析各變量對(duì)商店銷售額的影響并進(jìn)行可視化呈現(xiàn)。針對(duì)數(shù)據(jù)集特點(diǎn)進(jìn)行數(shù)據(jù)預(yù)處理,搭建特征工程,比較了線性回歸、隨機(jī)森林、支持向量機(jī)、XGBoost模型在銷售額預(yù)測(cè)上的表現(xiàn),初步發(fā)現(xiàn)XGBoost模型在數(shù)據(jù)集上的預(yù)測(cè)精度評(píng)價(jià)指標(biāo)最優(yōu)。為了進(jìn)一步提高XGBoost模型... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

研究流程圖

廣東工業(yè)大學(xué)碩士學(xué)位論文ntegrated Moving Average Model,ARIMA)、指數(shù)平滑(Exponential Smoothing,ES)等。5.孤立點(diǎn)分析在數(shù)據(jù)集中同大部分?jǐn)?shù)據(jù)特征不一樣的數(shù)據(jù)被稱為孤立點(diǎn)。在大多數(shù)的數(shù)據(jù)挖案例中，孤立點(diǎn)通常被當(dāng)作異常值刪除處理，但是對(duì)于一些特殊的案例，孤立點(diǎn)具有研究?jī)r(jià)值的，比如天氣災(zāi)害的預(yù)測(cè)，疾病的檢測(cè)等等。.1.2 數(shù)據(jù)挖掘的流程一般數(shù)據(jù)挖掘的流程如圖 2.1 所示：

為模型構(gòu)建提供最優(yōu)特征集。 探索性數(shù)據(jù)分析國(guó)數(shù)據(jù)科學(xué)家 J.W.Tukey 于上世紀(jì)中葉提出了一種新的數(shù)據(jù)分析方法，叫數(shù)據(jù)分析。它是一種在預(yù)先假定盡可能少的情況下，分析原始數(shù)據(jù)的方法法有畫圖，列表，特征計(jì)算等等，通過這些方法探究原始數(shù)據(jù)的分布情況律[27]。初始性數(shù)據(jù)分析不同的是，初始性數(shù)據(jù)分析關(guān)注的是原始數(shù)據(jù)能否達(dá)到假統(tǒng)計(jì)模型所需的要求，它的目的在于保證驗(yàn)證分析的可靠性。在此過程中數(shù)據(jù)進(jìn)行填補(bǔ)，對(duì)異常數(shù)據(jù)進(jìn)行舍棄，對(duì)不符合要求的數(shù)據(jù)進(jìn)行轉(zhuǎn)換，為確分析的目的。而探索性數(shù)據(jù)分析的目的不僅僅是為了保證數(shù)據(jù)質(zhì)量，更從原始數(shù)據(jù)中得到數(shù)據(jù)的分布模式，并且提出新的假設(shè)。


本文編號(hào)：2984430