আমি একটি পূর্বাভাস অ্যাপ্লিকেশন বিকাশ করছি যার উদ্দেশ্য হ'ল একজন আমদানিকারককে তার সরবরাহকারীর গ্রাহক নেটওয়ার্ক থেকে তার পণ্যগুলির জন্য পূর্বাভাসের অনুমতি দেওয়া। চাহিদা পূরণের জন্য পর্যাপ্ত পরিমাণ ইনভেন্টরি থাকার পরেও বিক্রয় পরিসংখ্যানগুলি চাহিদার জন্য বেশ ভাল প্রক্সি। ইনভেন্টরি যখন শূন্যে নেমে আসে, যদিও (পরিস্থিতি আমরা আমাদের গ্রাহকদের এড়াতে সাহায্য করতে চাইছি), আমরা লক্ষ্য করি না আমরা লক্ষ্যটি খুব বেশি মিস করেছি। গ্রাহক কতটা বিক্রয় করতে পারত, যদি তাদের পর্যাপ্ত সরবরাহ হত? স্ট্যান্ডার্ড রিগ্রেশন-ভিত্তিক এমএল পন্থাগুলি যা বিক্রয়কে সাধারণ টার্গেট ভেরিয়েবল হিসাবে ব্যবহার করে তা সময়, আমার বর্ণনামূলক ভেরিয়েবল এবং চাহিদার মধ্যে সম্পর্কের অসঙ্গতিযুক্ত অনুমান তৈরি করে।
: টবিট মডেলিং সমস্যা কাছে সবচেয়ে সুস্পষ্ট উপায় http://en.wikipedia.org/wiki/Tobit_model । আমি এলোমেলো বন, জিবিএমএস, এসভিএম এবং নিউরাল নেটওয়ার্কগুলির এমএল অভিযোজন সম্পর্কে ভাবছি যা ডেটার বাম-হাত সেন্সরযুক্ত কাঠামোর জন্যও অ্যাকাউন্ট করে।
সংক্ষেপে, আমার নির্ভরশীল এবং স্বতন্ত্র ভেরিয়েবলের মধ্যে সম্পর্কের ধারাবাহিক অনুমানের জন্য আমি কীভাবে বাম-সেন্সরযুক্ত রিগ্রেশন ডেটাতে মেশিন লার্নিং সরঞ্জাম প্রয়োগ করব? প্রথম পছন্দটি আরে উপলব্ধ সমাধানগুলির জন্য হবে, তারপরে পাইথন।
চিয়ার্স,
হারুন