मैं एक पूर्वानुमान एप्लिकेशन विकसित कर रहा हूं जिसका उद्देश्य वितरकों के अपने ग्राहक नेटवर्क से अपने उत्पादों की मांग का पूर्वानुमान करने के लिए एक आयातक की अनुमति देना है। बिक्री के आंकड़े मांग के लिए एक बहुत अच्छा प्रॉक्सी हैं, इसलिए जब तक मांग को भरने के लिए पर्याप्त सूची है। जब इन्वेंट्री शून्य से नीचे खींची जाती है, हालांकि (जिस स्थिति को हम अपने ग्राहक से बचने में मदद करने के लिए देख रहे हैं), हम इतना नहीं जानते कि हम लक्ष्य से चूक गए। ग्राहक ने कितनी बिक्री की होगी, क्या उनके पास पर्याप्त आपूर्ति थी? मानक प्रतिगमन-आधारित एमएल दृष्टिकोण जो बिक्री को एक साधारण लक्ष्य चर के रूप में उपयोग करते हैं, समय, मेरे वर्णनात्मक चर और मांग के बीच संबंधों के असंगत अनुमानों का उत्पादन करेंगे।
समस्या से संपर्क करने के लिए टोबिट मॉडलिंग सबसे स्पष्ट तरीका है: http://en.wikipedia.org/wiki/Tobit_model । मैं यादृच्छिक जंगलों, जीबीएमएस, एसवीएम, और तंत्रिका नेटवर्क के एमएल अनुकूलन के बारे में सोच रहा हूं जो डेटा के बाएं हाथ की सेंसर संरचना के लिए भी जिम्मेदार हैं।
संक्षेप में, मैं अपने आश्रित और स्वतंत्र चर के बीच संबंधों के लगातार अनुमान प्राप्त करने के लिए मशीन सीखने के उपकरण को बाएं-सेंसर किए गए प्रतिगमन डेटा पर कैसे लागू करूं? पहली प्राथमिकता आर में उपलब्ध समाधानों के लिए होगी, उसके बाद पायथन द्वारा।
चीयर्स,
हारून