линейная регрессия — прогнозирование будущих значений временного набора данных в переполнении стека
Для каждого года в данном наборе данных содержится средняя цена проданного товара, например:
╔══════╦═══════════════╗
║ Year ║ Cost of flerg ║
╠══════╬═══════════════╣
║ 2007 ║ 13 ║
║ 2008 ║ 7 ║
║ 2009 ║ 8 ║
║ 2010 ║ 9 ║
║ 2011 ║ 12 ║
║ 2012 ║ 13 ║
║ 2013 ║ 9 ║
║ 2014 ║ 11 ║
║ 2015 ║ 14 ║
╚══════╩═══════════════╝
Теперь я хочу оценить, сколько это будет стоить в 2016, 2017, …
Я рассмотрел некоторые функции линейной регрессии, но они дают только наклон и число пересечений для графа.
Так кто-нибудь знает, как это сделать?
Решение
Вы можете попытаться провести линию через точки, используя наименьших квадратов метод, который предполагает, что вы знаете приблизительный закон распределения набора данных.
Вы также можете попробовать обучить небольшой персептрон или нейронную сеть (в зависимости от того, считаете ли вы, что это линейное распределение или нет). Тем не менее, это предполагает, что у вас есть значительный тренировочный набор.
Вы также можете попробовать с помощью простого генетического алгоритма получить математическое выражение, которое пытается предсказать следующее значение на основе предыдущего n. Тем не менее, это имеет сходные проблемы с подходом перцептрона, так как вам может не хватить адекватного размера тренировочного набора.
В противном случае, вероятно, невозможно предсказать будущие элементы, не зная больше о проблеме. Если вы знаете больше о проблеме, то можете использовать эту информацию для моделирования предиктора.
Другие решения
Других решений пока нет …