The leave-one-out validation method

The leave-one-out validation method was adopted to
verify the prediction models. If there is a large amount of
data, k-fold cross-validation with k = 5 or 10 is generally
used; the entire data set is divided into k subgroups, and
every subgroup is set aside in turn for validation and the
model is trained on the basis of the remaining (k − 1)
subgroups. The prediction outcomes of the subgroups are
then integrated to measure the overall performance of the
model. If there is a relatively small amount of data, by contrast,
the leave-one-out validation ismore appropriate, as it increases
k up to the total number of instances in order to secure asmany
training instances as possible. Because using 80 products is
considered to be insufficient, the leave-one-out validation is a
better choice in our experiment.
The prediction models were then evaluated in terms of
the mean absolute error (MAE) and the root mean squared
error (RMSE),
MAE ¼ 1
n
Xn
i¼1
yi−byi


; RMSE ¼
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
1
n
Xn
i¼1
yi−byi
 2
vuut
; ð23Þ
where y is the target value (estimated p or q of the Bass
diffusion model) and by is the predicted value derived by the
model. The lower the performance measures, the better the
prediction model.
4. Results
4.1. Variable selection
The input variables selected by the stepwise linear regression
are presented in Table 2. Among the 24 candidate input
variables, only seven were identified as being crucial for the
prediction of p and q at a significance level of 0.05. Three input
variables (DDC, DN_R, and EI) are positively related to p, while
the other four (NCG, ASG, LP, and NR) are negatively related. By
contrast, four input variables (IC_O, NCG, DDC, and DN_I) are
positively related to q, while the other three (RTC, EI, and NL)
are negatively related. It was also found that three input
variables (NCG, DDC, and EI) are necessary for predicting both
p and q. Note that only DDC has positive coefficients for both
targets; more diversified distribution channels thus give rise to

Результаты (русский) 1:

Был принят метод проверки отпуск один изПроверка моделей прогнозирования. Если есть большое количестводанных, k фолд перекрестной проверки с k = 5 или 10 в целомиспользуется; весь набор данных делится на подгруппы k, иКаждая подгруппа резервируется в свою очередь для проверки имодель обучается на основе оставшихся (k − 1)подгруппы. Результаты прогнозирования подгруппзатем интегрировать измерить общую производительностьмодели. Если есть относительно небольшое количество данных, напротив,ismore отпуск один из проверки обстоятельств, как это увеличиваетk общее количество экземпляров для обеспечения asmanyобучение экземпляров как можно скорее. Потому что с помощью 80 продуктовсчитаются недостаточными, отпуск один из проверки являетсяЛучший выбор в нашем эксперименте.Модели прогнозирования то были оценены посредняя абсолютная погрешность (МАЭ) и корень означает квадратОшибка (СКО),МЭЙ ¼ 1nXni¼1Yi−byi ; RMSE ¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi1nXni¼1Yi−byi2vuut; ð23Þгде y — значение целевого объекта (по оценкам p или q басДиффузионная модель) и путем, предсказанное значение получается путеммодели. Чем ниже показатели, тем лучшемодель прогнозирования.4. результаты4.1. переменный выборВходные переменные, выбираются ступенчатой линейной регрессиипредставлены в таблице 2. Среди 24 кандидата вводапеременные, только семь были определены как решающее значение дляПрогнозирование p и q на уровне значимости 0,05. Три входных данныхпеременные (DDC, DN_R и EI), положительно связаны с p, в то время какостальные четыре (NCG, ПГС, LP и NR) отрицательно связаны. Поконтраст, четыре входных переменных (IC_O, NCG, DDC и DN_I)положительно относящиеся к q, а остальные три (RTC, EI и NL)негативно связаны. Было также установлено, что три входныхпеременные (NCG, DDC и EI) необходимы для прогнозирования обаp и q. Обратите внимание, что только DDC положительные коэффициенты для обеихцелей; более диверсифицированной распределение каналов, таким образом, дают основания для

Результаты (русский) 2:

Метод проверки отпуск один-из был принят
проверки модели прогнозирования. Если есть большое количество
данных, K-кратная кросс-проверка с к = 5 или 10, как правило,
используется; Весь набор данных делится на K подгрупп, и
каждая подгруппа откладывается в свою очередь, для проверки и
модель обучается на основе оставшегося (к - 1)
подгрупп. Результаты прогнозирования
подгрупп, то интегрированная для измерения общей производительности
модели. Если существует относительно небольшое количество данных, напротив,
отпуск один выход проверки делает ставку целесообразно, поскольку это увеличивает
К до общего количества случаев, чтобы обеспечить asmany
экземпляров учебных, насколько это возможно. Поскольку использование 80 продуктов
считается недостаточным, отпуск один-валидации является
лучшим выбором в нашем эксперименте.
Модели прогнозирования затем оцениваются с точки зрения
средней абсолютной ошибки (МАЭ) и корня среднеквадратичной
ошибки (СКО) ,
ДЕД ¼ 1
п
Хп
i¼1 Yi-быи; СКО ? 2 vuut; ð23Þ где у целевое значение (по оценкам р д или в Bass диффузионной модели) и является прогнозируемое значение полученные от модели. Чем ниже показатели эффективности, тем лучше модель прогнозирования. 4. Результаты 4.1. Переменный Выбор Входные переменные, выбранные ступенчатой ​​линейной регрессии представлены в таблице 2. Среди входных 24 кандидатов переменных, только семь были определены как решающее значение для прогнозирования р и д при уровне значимости 0,05. Три входных переменных (DDC, DN_R и EI) положительно связаны с р, в то время как остальные четыре (НСГ, ПГС, LP и NR) отрицательно связаны. По Напротив, четыре входных переменных (IC_O, NCG, DDC, и DN_I) являются положительно связаны с д, в то время как остальные три (РТК, Е. И., Н. Л.) отрицательно связаны. Было также обнаружено, что три входных переменных (NCG, DDC, и EI) необходимы для прогнозирования как р и д. Обратите внимание, что только DDC имеет положительные коэффициенты для обоих целей; более диверсифицированные каналы сбыта, таким образом, приводят к

Результаты (русский) 3:

отпуск один метод подтверждения принимается на
проверки моделей прогнозирования.если есть большое количество
данных, k-fold перекрёстная проверка с k = 5 или 10, как правило,
; весь набор данных состоит из K подгрупп, и
каждый подгруппы, отменяется, в свою очередь, для проверки и
модели, подготовленных на основе остальных (K - 1),
подгрупп.прогноз итогов подгрупп
тогда комплексной оценки общей эффективности работы
модели.если есть относительно небольшой объем данных, напротив,
отпуск одного из ismore соответствующие проверки, поскольку она увеличивает
K до общего числа случаев, в целях обеспечения asmany
подготовки случаи, как это возможно.потому что с 80 продуктов
считается недостаточным,отпуск из проверки является
лучше в нашем эксперименте.
прогнозирования модели, затем были оценены с точки зрения
средней абсолютной погрешности (маи) и коренные означает квадрат
ошибка (rmse),
мэй ¼ 1


я 4 х N 1



Yi - byi; rmse ¼
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
1
N
х
я ¼ 1
Yi - byi
  2


vuut; - 23 - югде Y - целевой показатель (по оценкам P или Q от бас
распространению модели) и прогнозирует стоимость получаемых
модели.низкие показатели работы, тем лучше: модель прогнозирования.
4.результаты: 4.1.переменная отбора
входные параметры выбран поэтапный линейной регрессии
представлены в таблице 2.среди 24 кандидата вклада
переменных,только семь были выявлены в качестве имеющих важное значение для
прогнозирования p и q на уровне значимости 0,05.три входных
переменных (урс, dn_r и мап) позитивно, связанных с р, в то время как
четырех других (скг, пгс, LP и нд) отрицательно.в сша, напротив, четыре входных переменных (ic_o, скг, урс, и dn_i)
позитивно, связанных с Q, а другие три (ртк, эй, и нидерланды).отрицательно.было также установлено, что три входных
переменных (скг, урс и мап) необходимы для прогнозирования как
р и в. обратите внимание, что только урс положительно коэффициенты как
показателей; диверсификация каналов распределения, таким образом, порождают