Моделирование и анализ данных
2020. Том 10. № 4. С. 41–50
doi:10.17759/mda.2020100404
ISSN: 2219-3758 / 2311-9454 (online)
Использование методов машинного обучения для решения задач прогнозирования спроса на новый товар в интернет-маркетплейсе
Аннотация
Общая информация
Ключевые слова: прогнозирование спроса, новый товар, энкодинг, градиентный бустинг, регрессия, препроцессинг, обработка данных, машинное обучение
Рубрика издания: Анализ данных
DOI: https://doi.org/10.17759/mda.2020100404
Для цитаты: Осин А.А., Фомин А.К., Сологуб Г.Б., Виноградов В.И. Использование методов машинного обучения для решения задач прогнозирования спроса на новый товар в интернет-маркетплейсе // Моделирование и анализ данных. 2020. Том 10. № 4. С. 41–50. DOI: 10.17759/mda.2020100404
Литература
- Bisong E. Introduction to Scikit-learn // Building Machine Learning and Deep Learning Models on Google Cloud Platform 2019. P. 215–229.
- Cerda P., Varoquaux G., Kégl B. Similarity encoding for learning with dirty categorical variables // Machine Learning. 2018. P. 1477–1494.
- Ke G. et al. Lightgbm: A highly efficient gradient boosting decision tree // Advances in neural information processing systems. 2017. P. 3146–3154.
- Redell N. Shapley Decomposition of R-Squared in Machine Learning Models // arXiv preprint arXiv:1908.09718. 2019.
- Botchkarev, Alexei. “Performance metrics (error measures) in machine learning regression, forecasting and prognostics: Properties and typology.” // arXiv preprint arXiv:1809.03006.
- Al Daoud E. Comparison between XGBoost, LightGBM and CatBoost Using a Home Credit Dataset // International Journal of Computer and Information Engineering. 2019. P. 6–10.
Информация об авторах
Метрики
Просмотров
Всего: 582
В прошлом месяце: 23
В текущем месяце: 9
Скачиваний
Всего: 410
В прошлом месяце: 20
В текущем месяце: 9