پیش بینی فروش سوپرمارکت با استفاده از رگرسیون

بسیاری از سوپرمارکت ها پیش بینی خوبی از فروش سالانه خود ندارند که بیشتر به دلیل کمبود مهارت، منابع و دانش برای تخمین فروش است. امروزه در عصر کلان داده همراه با دسترسی به توان محاسباتی عظیم، یادگیری ماشین تبدیل به ابزاری برای پیش بینی فروش شده است. رگرسیون یک ابزار قدرتمند در یادگیری ماشین و تحلیل داده ها است که به تجزیه و تحلیل روابط و پیش بینی مقادیر عددی بسیار کمک می کند. در این تحقیق، از مجموعه داده فروش یک سوپرمارکت با ۱۰۰۰ رکورد و ۱۷ فیلد استفاده می شود و در فرآیند ساخت یک مدل پیش بینی فروش، چندین الگوریتم یادگیری ماشین ارزیابی می شوند که هر کدام سطوح متفاوتی از عملکرد را ارائه می دهند. این تحقیق، با زبان برنامه نویسی پایتون پیاده سازی می شود و الگوریتم های مورد استفاده عبارت هستند از XGBoost ، شبکه عصبی (پرسپترون چندلایه)، CatBoost ، LightGBM ، رگرسیون لاسو، رگرسیون ستیغی، کی-نزدیک ترین همسایه، جنگل تصادفی و ماشین بردار پشتیبان. در خروجی انواع نمودارهای نقطه ای و هیستوگرام باقیمانده تجزیه و تحلیل می شوند و سپس با استفاده از معیارهای ارزیابی و تجزیه و تحلیل داده ها، بهترین مدل آموزشی انتخاب می گردد. نتایج نشان می دهند که مدل رگرسیون ستیغی برای سادگی، دقت و ثبات آن، بهترین مدل است؛ هر چند مدل های دیگر مانند جنگل تصادفی و رگرسیون لاسو نیز در ارزیابی، عملکرد خوبی داشته اند

Keywords:

یادگیری ماشین , رگرسیون , پیش بینی فروش , مجموعه داده سوپرمارکت