دسته : فناوری اطلاعات

این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:
الگوریتم‌های تکاملی چندهدفه
انتخاب ویژگی
چنگل تصادفی
مدل رگرسیون
پیش‌بینی فروش آنلاین
Multi-objective evolutionary algorithms
Feature selection
Random forest
Regression model

چکیده

 پیش‌بینی فروش از آمار گذشته‌ی فروش به همراه خصوصیات و صفات محصولات، برای پیش‌بینی کارایی کوتاه‌مدت یا بلندمدت آتی در یک کسب‌وکار استفاده می‌کند و می‌توان از آن برای استنتاج طرح‌های قابل‌اعتماد مالی و کاری استفاده کرد. ما با استفاده از داده‌هایی که به طور عمومی در دسترس هستند، یک مدل رگرسیون دقیق برای پیش‌بینی فروش آنلاین ایجاد می‌کنیم که از طریق یک روش‌شناسی جدید انتخاب ویژگی حاصل می‌شود.

این روش‌شناسی از کاربرد الگوریتم ENORAی تکاملی چندهدفه (الگوریتم مبتنی بر شکاف‌های شعاعی تکاملی غیرتحت‌سلطه) به عنوان استراتژی جست‌وجو به یک شیوه‌ی wrapper تشکیل می‌شود که ناشی از یادگیرنده‌ی مدل مشهور رگرسیون جنگل تصادفی است.

پیشنهاد ما انتخاب ویژگی برای رگرسیون، ارزیابی مدل و تصمیم‌گیری را یکپارچه می‌سازد تا برطبق یک فرایند پسین در یک زمینه‌ی چندهدفه، مناسب‌ترین مدل را انتخاب نماید.

کارایی ENORA را به عنوان یک استراتژی جست‌وجوی تکاملی چندهدفه در برابر یک استراتژی جست‌وجوی تکاملی چندهدفه‌ی استاندارد مانند NSGA-II (الگوریتم ژنتیک مرتب غیرتحت‌سلطه)، یک استراتژی جست‌وجوی رو به عقب کلاسیک مانند RFE (حذف برگشتی ویژگی) و مجموعه داده‌ی اصلی مقایسه می‌کنیم.

 1-مقدمه

پیش‌بینی فروش نقش مهمی در هوش تجاری دارد که می‌توان هوش تجاری را به صورت مجموعه‌ی روش‌شناسی‌ها و تکنیک‌های استفاده شده در حصول و انتقال داده‌های خام به اطلاعات ساخت‌یافته برای اهداف تحلیلی تعریف کرد. پیش‌بینی، فرایند انجام پیش‌بینی‌ها درباره‌ی آینده بر اساس داده‌های گذشته و حال است [1]. تکنیک‌های تحلیلی برای پیش‌بینی را می‌توان به طور گسترده به تکنیک‌های رگرسیون و تکنیک‌های یادگیری ماشین گروه‌بندی کرد. پیش‌بینی فروش از آمار گذشته‌ی فروش به همراه خصوصیات و صفات محصولات، برای پیش‌بینی کارایی کوتاه‌مدت یا بلندمدت آتی استفاده می‌کند و می‌توان از آن برای استنتاج طرح‌های قابل‌اعتماد مالی و کاری استفاده کرد…

ادامه مطلب و دانلود