РЕАЛИЗАЦИЯ РЕГРЕССИОННЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ТОВАРНОГО СПРОСА С ПОМОЩЬЮ ЯЗЫКА R
DOI:
https://doi.org/10.22213/2410-9304-2018-1-15-25Ключевые слова:
товарный спрос, регрессионный анализ, язык R, машина опорных векторов, случайный лес, регуляризация, кросс-валидация, ансамбль алгоритмовАннотация
Рассматривается регрессионный анализ как ключевой метод прогнозирования величины товарного спроса. Приводится список методов, являющихся наиболее эффективными для расчета оценки прогноза: линейная регрессия с регуляризацией, регрессия на основе опорных векторов, метод случайного леса. Необходимые расчеты реализуются на языке программирования R с использованием как базового функционала, так и расширений, которые обеспечивают возможность использования рассматриваемых методов. В качестве входящих данных используются показатели работы магазина и товарные характеристики. Определяется метрика качества результата работы алгоритмов - среднеквадратическое отклонение ошибки. Проводится разделение выборки данных на обучающую и тестовую, последовательно рассчитываются результаты для каждого приведенного алгоритма. Делаются выводы о том, что для рассматриваемой выборки наилучший результат дает алгоритм случайного леса. Выводится степень корреляционной связи между прогнозами по разным алгоритмам, на основе которой высказывается предположение о возможном совместном использовании прогнозов. Исходя из этого строится простейшая комбинация алгоритмов - арифметическое среднее. Данный ансамбль алгоритмов оказался лучше всех рассмотренных методов прогнозирования, взятых по отдельности. Определяется план дальнейшего исследования по созданию комитета алгоритмов на основании методов бэггинга, бустинга или стэкинга.Библиографические ссылки
Светуньков С. Г., Светуньков И. С. Методы социально-экономического прогнозирования: учебник для вузов. Т. I. СПб. : Изд-во СПбГУЭФ, 2009. 147 с.
Светуньков С. Г., Светуньков И. С. Методы социально-экономического прогнозирования: учебник для вузов. Т. II. СПб. : Изд-во СПбГУЭФ, 2010. 103 с.
Адамадзиев К. Р., Касимова Т. М. Применение панельного метода при исследовании эффективности производства зерна в Республике Дагестан // Фундаментальные исследования. 2012. № 6-3. С. 699-701.
Стрижов В. В., Крымова Е. А. Методы выбора регрессионных моделей. М. : ВЦ РАН, 2010. 60 с.
Kuhn M., Johnson K. Applied Predictive Modeling. Springer, 2013. 600 p. 203 illus., 153 illus. in color.
Пивкин К. С. Корреляционный анализ факторов влияния на покупательский спрос розничного магазина как этап формирования модели прогнозирования и управления запасами // Вестник УдГУ. Серия: Экономика. 2016. № 3. С. 40-50.
Огурцов А. В. Настройка гиперпараметров и оценка качества прогностической модели: пример с использованием языка R и пакета caret // Математика, статистика и информационные технологии в экономике, управлении и образовании : сборник трудов V Международной научно-практической конференции. Тверь. 2016. С. 73-78.
Мастицкий С. Э. Подготовка данных для создания предсказательных моделей: трансформация предикторов. Блог «R: Анализ и визуализация данных» [Электронный ресурс]. URL: http://r-analytics.blogspot.ru/2015/07/blog-post_19.html#.WFZ55fmLTIV.
Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R / пер. с англ. С. Э. Мастицкий. М. : ДМК-Пресс, 2016. 450 с.
Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям (+CD) : учеб. пособие. 2-е изд., испр. СПб. : Питер, 2013. 704 с. : ил.
Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R.
Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям.
Business Data Analytics: Ансамбли моделей. [Электронный ресурс]. URL: http:// businessdataanalytics.ru/ModelEnsembles.htm.
