3.3. Experimental design3.3.1. Data

3.3. Experimental design
3.3.1. Data preprocessing and variable selection
As explained earlier, some products were removed owing
to the limited number of historical sales records. Another
issue in the modeling process was the existence of outliers
whose estimates were noticeably different. Fig. 2 shows the
estimated Bass model parameters of the 87 products. This
figure clearly shows that certain products have significantly
large p or q values compared with others. Since such outliers
would degrade prediction accuracy, seven products whose
estimates were beyond two standard deviations from the
mean were also removed. Consequently, 80 products were
finally used to build the prediction models, with the average
estimates of p and q decreasing to 0.0063 and 0.2783,
respectively. The parameter estimates of each of these 80
products are presented in Appendix A.
Because most of the regression algorithms employed in
this study can only handle numerical variables, the four
nominal variables (IC, TCS, TIE, and DN) were transformed
into binary variables using the 1-of-C coding method. In this
method, C binary dummy variables are created for a nominal
variable with C categories; for each dummy variable, 1 is
assigned if the original value falls in the same category, with
0 otherwise (see Fig. 3). Once the variable transformation
had been completed, the number of variables increased from
17 to 24.
Some of these 24 candidate input variables were dispensable
because they had little effect on the prediction. Thus,
using a stepwise linear regression, we selected only the
crucial variables before training the prediction models. This
stepwise selection process beganwith the singlemost relevant
input variable, and the following two procedures were then
conducted alternately until all significant variables had been
identified: (1) among the candidate variables, the one that
most improves accuracy is added to the selected variable set,
from which (2) the one that is most irrelevant to improve
accuracy is removed.

Результаты (русский) 1:

3.3. экспериментальный дизайн3.3.1. данные предварительной и переменный выборКак объяснялось ранее, некоторые продукты были удалены из-зана ограниченное число исторических записей о продажах. Другойпроблема в процессе моделирования было существование промаховчья смета заметно отличались. Рис. 2 показываетпо оценкам бас модель параметров 87 товаров. Этона рисунке ясно показывает, что некоторые товары имеют значительнобольшие p или q значения по сравнению с другими. Поскольку такие выбросыбудет деградировать точность предсказания, семь продукции которогооценки были за пределами двух стандартных отклонений отСреднее также были удалены. Следовательно были 80 продуктовНаконец, используется для построения моделей прогнозирования, со среднейоценки p и q, уменьшаясь до 0.0063 и 0.2783,соответственно. Оценки параметров каждого из этих 80Продукция представлена в приложении а.Потому что большинство алгоритмов регрессии занятых вЭто исследование может обрабатывать только числовые переменные, четыреноминальные переменные (IC, TCS, ГАЛСТУК и DN) были преобразованыв бинарные переменные с помощью метода кодирования 1 C. В этомметод C бинарные фиктивные переменные создаются для номинальногопеременная с категории C; для каждой фиктивной переменной 1Если исходное значение влюбляется в той же категории,0 в противном случае (см. рис. 3). После преобразования переменнойбыли завершены, количество переменных увеличилась с17-24.Некоторые из этих 24 кандидата входных переменных были расходныепотому что они имели незначительное влияние на прогноз. Таким образом,с помощью поэтапного линейной регрессии, мы выбрали толькорешающее значение переменных до подготовки моделей прогнозирования. Этоbeganwith процесс поэтапного отбора соответствующих singlemostвходной переменной и следующие две процедуры были затемпоочередно провели до тех пор, пока все значительные переменные былиопределены: (1) между переменными кандидата, то чтонаиболее улучшает точность добавляется в выбранный набор переменных,из которых (2) один, наиболее значения для улучшенияточность удаляется.

Результаты (русский) 2:

3.3. Экспериментальный дизайн
3.3.1. Предварительная обработка данных и отбор переменных
Как пояснил ранее, некоторые продукты были удалены вследствие
ограниченного количества исторических записей продаж. Другой
вопрос в процессе моделирования было существование
выбросов, чьи оценки были заметно отличается. Инжир. 2 показаны
расчетные параметры Бас модель 87 продуктов. Это
фигура ясно показывает, что некоторые продукты имеют значительно
большие р или Q значения по сравнению с другими. Поскольку такие выбросы
будут ухудшать точность прогнозирования, семь продуктов,
оценки были за два стандартных отклонения от
среднего значения были также удалены. Следовательно, 80
Продукты, наконец, используется для построения моделей прогнозирования, со средними
оценками р и д уменьшается на 0,0063 и 0.2783,
соответственно. Оценки параметров каждого из этих 80
продуктов представлены в Приложении А.
Поскольку большинство алгоритмов регрессии, занятых в
этом исследовании может обрабатывать только числовые переменные, четыре
номинальных переменных (IC, TCS, галстук и DN) были преобразованы
в бинарные переменные с использованием метода кодирования 1-из-C. В этом
методе, C двоичного фиктивные переменные создаются для номинального
переменного с C категории; для каждого фиктивной переменной, 1
присваивается, если исходное значение падает в той же категории, с
0 в противном случае (см. 3). После преобразования переменной
была завершена, число переменных увеличилась с
17 до 24.
В некоторых из этих входных переменных 24 кандидатов были
несущественными, поскольку они имели небольшое влияние на предсказания. Таким образом,
с использованием ступенчатого линейной регрессии, мы выбрали только
ключевые переменные перед тренировкой модели прогнозирования. Это
поэтапный процесс выбора beganwith в singlemost соответствующей
входной переменной, и следующие две процедуры были затем
проведены поочередно, пока все существенные переменные не были
идентифицированы: (1) среди кандидатов переменных, тот, который
наиболее улучшает точность добавляется к выбранной переменной набора,
из которого (2) тот, который наиболее значения для повышения
точности удаляется.

Результаты (русский) 3:

3.3.опытно - конструкторские
3.3.1.обработки данных и переменной отбора
как указывалось выше, некоторые продукты были изъяты из
с ограниченным количеством исторические рекорды продаж.еще один вопрос, в процессе моделирования ", является наличие резко
, оценки были заметно отличается.рис. 2 показывает
примерно бас параметров модели из 87 продуктов.это
диаграмма четко показывает, что некоторые продукты значительно
крупных P или Q значения по сравнению с другими.поскольку такие резко ухудшить прогноз: будет точность, семь продуктов,
сметы после двух стандартных отклонений от
означает также были удалены.таким образом, 80 продуктов были
, наконец, использовать для создания модели прогнозирования при среднем
оценки p и q снижаются до 0.0063 и 0.2783,
соответственно.оценки параметров каждого из этих 80
продукция представлена в добавлении а.
, потому что большинство алгоритмов регрессии, работающих в
это исследование могут выполнять лишь количественные переменные, четыре
номинальной переменных (IC, ткс, галстук и нд), были преобразованы в бинарном переменных, используя 1-of-c "метод кодирования.в этом
методC бинарные фиктивных переменных создаются по номинальной
переменной с категории C; для каждой фиктивная переменная, 1
задание, если первоначальная стоимость падает в той же категории, с
0 иным образом (см. рис. 3).после того, как регулятор трансформации
было завершено, количество переменных, увеличилось с
17 - 24.
некоторые из этих 24 кандидата входных переменных, исчезли.потому что они малоэффективны по прогнозированию.таким образом,
с использованием поэтапного линейной регрессии, мы выбрали только
важных переменных, до подготовки моделей прогнозирования.это
поэтапный процесс отбора beganwith в singlemost соответствующих
ввода переменной, и после двух процедур, затем были
проведена поочередно до тех пор, пока все важные переменные были
определены:(1) между кандидатом переменных, что
наиболее улучшает точность добавляется в отдельных переменных,
из которых (2), большинство не имеет отношения к улучшению
точность удаляется.