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
Резюме
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
Опубликована
Для цитаты: Осин, А.А., Фомин, А.К., Сологуб, Г.Б., Виноградов, В.И. (2020). Использование методов машинного обучения для решения задач прогнозирования спроса на новый товар в интернет-маркетплейсе. Моделирование и анализ данных, 10(4), 41–50. https://doi.org/10.17759/mda.2020100404
© Осин А.А., Фомин А.К., Сологуб Г.Б., Виноградов В.И., 2020
Лицензия: CC BY-NC 4.0
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 web
За все время: 709
В прошлом месяце: 7
В текущем месяце: 1
Скачиваний PDF
За все время: 560
В прошлом месяце: 37
В текущем месяце: 8
Всего
За все время: 1269
В прошлом месяце: 44
В текущем месяце: 9