Машинное обучение с Python в розничной торговле : выбор гиперпараметров модели

Все модели машинного обучения имеют набор гиперпараметров и при работе с выбранной моделью задача их оптимального выбора становится основной.  В этой статье мы рассмотрим тему выбора модели, сначала вручную оценив один гиперпараметр для одного алгоритма машинного обучения в конкретном наборе данных. После этого мы рассмотрим поиск по сетке, чтобы найти наилучшие комбинации нескольких гиперпараметров. Наконец, мы рассмотрим дополнительные методы выбора модели, такие как случайный поиск гиперпараметров. 

Машинном обучение с Python в розничной торговле : отбор признаков

Применение машинного обучения начинается с общей постановки задачи. Определяем, на какой вопрос надо найти ответ и какая информация для этого нужна. Переходя к терминологии машинного обучения : определяем целевую функцию (как правило используется слово "target") и предикторы или признаки ("features"). Правильный выбор признаков является определяющим для успешного решения задачи. Их должно быть достаточно чтобы наша модель учитывала все особенности задачи, но их не должно быть слишком много, чтобы "за деревьями мы не увидели леса". 

Машинное обучение с Python в розничной торговле : метрики качества в задачах классификации

Рассмотрим основные метрики качества в задачах классификации : доля правильных ответов, точность, полнота, F-мера и матрица ошибок. А также четыре различных комбинации фактических и прогнозируемых значений: истинно отрицательные (TN), ложноотрицательные (FN), истинно положительные (TP) и ложноположительные (FP). 

Машинное обучение с Python в розничной торговле : метрики качества в задачах регрессии

Рассмотрим часто используемые метрики качества модели : MAE,MPE,MAPE,MSE,RMSE,R2 в задачах регрессии

Машинное обучение с Python в розничной торговле : линейная регрессия

В качестве примера применение линейной регрессии рассмотрим задачу, часто возникающую в розничной торговле. Мы планируем месячные продажи нескольких товарных групп в нашей сети магазинов одежды и нам необходимо определить товарный запас по каждой товарной группе, который должен находится  в каждом магазине исходя из планового количества продаж. Для того, чтобы определить товарный запас по плану продаж в штуках надо задать плановую  оборачиваемость.