Zacznij terazZacznij za darmo

Strona główna
Kursy
Prognozowanie popytu na produkty w R

Funkcje transferowe i ensembling

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Prognozowanie popytu na produkty w R

SkillTag.level.intermediateSkillTag.label

4.7+

Rozpocznij kurs za darmo

Gdy chodzi o prognozowanie, modele szeregów czasowych to świetny punkt wyjścia. Musisz przewidzieć przyszłe wartości popytu na produkty, a dobrym podejściem bazowym są modele ARIMA. W tym rozdziale nauczysz się szybko implementować modele ARIMA i uzyskiwać solidne wstępne prognozy przyszłego popytu.

Exercise 1: Wczytywanie danych do obiektu xts Exercise 2: Importowanie danych Exercise 3: Wizualizacja danych na wykresie Exercise 4: ARIMA – szeregi czasowe w praktyce Exercise 5: Funkcja auto.arima()Exercise 6: Interpretacja auto.arima Exercise 7: Prognozowanie i ocena wyników Exercise 8: Funkcja forecast Exercise 9: Obliczanie MAPE i MAE Exercise 10: Wizualizacja prognozy Exercise 11: Przedziały ufności dla prognozy

Teoria ekonomii ma wiele do powiedzenia na temat prognozowania popytu. Czynniki zewnętrzne, takie jak cena, sezonowość czy terminy promocji, w oczywisty sposób wpływają na popyt. W tym rozdziale poznasz podstawy modeli elastyczności cenowej oraz nauczysz się uwzględniać sezonowość i promocje w prognozach popytu na produkty.

Exercise 1: Elastyczność cenowa Exercise 2: Obliczanie elastyczności cenowej Exercise 3: Interpretacja wyników elastyczności Exercise 4: Efekty sezonowe, świąteczne i promocyjne Exercise 5: Wizualizacja efektów sezonowych i promocyjnych Exercise 6: Tworzenie zmiennych dla efektów świątecznych i promocyjnych Exercise 7: Regresja dla efektów świątecznych i promocyjnych Exercise 8: Istotne efekty świąt i promocji?Exercise 9: Prognozowanie z użyciem regresji Exercise 10: Tworzenie zmiennych predykcyjnych dla przyszłych obserwacji Exercise 11: Prognozowanie przyszłych wartości popytu Exercise 12: Wizualizacja prognoz regresji

Modele szeregów czasowych i regresje cenowe nie muszą być traktowane jako odrębne podejścia do prognozowania popytu – można je łączyć. W tym rozdziale poznasz dwa sposoby łączenia informacji uzyskanych z obu typów modeli: funkcje transferowe oraz ensembling prognoz.

Exercise 1: Reszty z modelu regresji Exercise 2: Obliczanie reszt z modelu regresji Exercise 3: Wizualizacja reszt Exercise 4: Prognozowanie reszt Exercise 5: Funkcja auto.arima Exercise 6: Prognozowanie reszt za pomocą szeregów czasowych Exercise 7: Wizualizacja prognoz reszt Exercise 8: Funkcje transferowe i ensembling

Bieżące ćwiczenie

Exercise 9: Łączenie reszt z regresji i szeregów czasowych Exercise 10: Wizualizacja prognozy z funkcji transferowej Exercise 11: Obliczanie MAPE i MAE dla funkcji transferowej Exercise 12: Prognozowanie ARIMA Exercise 13: Łączenie prognoz metodą ensemble

Wszystko, co omówiliśmy do tej pory, dotyczy budowania osobnych modeli prognozowania popytu. Nie wykorzystaliśmy jednak faktu, że wszystkie te produkty tworzą hierarchię sprzedażową. Produkty składają się na regiony, a regiony na stany. Jak zapewnić, że prognozy będą spójne na każdym poziomie hierarchii? W tym rozdziale poznasz prognozowanie hierarchiczne i nauczysz się je stosować w prognozowaniu popytu na produkty.

Exercise 1: Prognozowanie hierarchiczne metodą oddolną Exercise 2: Zbuduj prognozę szeregu czasowego dla nowego produktu Exercise 3: Zbuduj prognozę regresyjną dla nowego produktu Exercise 4: Prognoza zespołowa dla nowego produktu Exercise 5: Obliczanie prognozy oddolnej dla całego regionu Exercise 6: Prognozowanie hierarchiczne od góry do dołu Exercise 7: Budowanie prognozy szeregu czasowego na poziomie regionalnym Exercise 8: Zastosowanie średnich proporcji historycznych Exercise 9: Wykorzystanie proporcji historycznych średnich Exercise 10: Hierarchiczne prognozowanie metodą środkową Exercise 11: Zbuduj prognozę szeregu czasowego dla nowego regionu Exercise 12: Prognoza odgórna dla nowego regionu Exercise 13: Prognoza oddolna dla całego stanu Exercise 14: Gratulacje!