6. ConclusionsThis study proposed a

6. Conclusions
This study proposed a statistical and machine learning
algorithm-based approach to pre-launch product demand
forecasting on the basis of the Bass model. Taking the product
attribute DB as inputs and product diffusion DB as outputs,
single prediction models were developed using the six
regression algorithms, on the basis of which an ensemble
prediction model was constructed to enhance predictive
power. It was shown that most single prediction models
outperformed the conventional analogical method and that
the ensemble model improved prediction accuracy further.
An illustrative example of 3D TV was also provided to
demonstrate how the developed models could be used in
practice.
This study contributes to the field of pre-launch forecasting
by proposing a new approach that utilizes statistical and
machine learning-based regression algorithms. Despite the
importance of the pre-launch forecasting of new products,
conventional approaches such as subjective and analogical
methods fail to produce objective estimates of diffusion
parameters. However, adopting statistical and machine
learning-based regression algorithms can reliably portray
the relationship between the attributes and diffusion characteristics
of existing products,which, in turn, enables forecasting

Результаты (русский) 1:

6. выводыЭто исследование предложил статистической и машина обученияподход на основе алгоритма к предстартовым спрос на продукциюПрогнозирование на основе модели, бас. Принимая продуктатрибут DB как входы и диффузии продукта DB как выходы,одного прогноза модели были разработаны с помощью шестиалгоритмы регрессии, на основе которого ансамбльмодель прогнозирования был построен для улучшения прогнозированиямощность. Было показано, что большинство отдельные модели прогнозированияпревосходит обычные аналогичного метода и чтоансамбль модель улучшена точность предсказания далее.Была также оказана наглядным примером 3D TVпродемонстрировать, как разработанные модели могут использоваться впрактика.Это исследование вносит в области прогнозирования до запускапредлагая новый подход, который использует статистические имашина на базе обучения регрессии алгоритмов. Несмотря наважность прогнозирования до запуска новых продуктов,традиционные подходы как субъективные и аналогичныеметоды не приводят к объективной оценки распространенияпараметры. Однако приняв статистической и машинаалгоритмы на основе обучения регрессии можно достоверно изобразитьсвязь между атрибутами и характеристики диффузиииз существующих продуктов, который, в свою очередь, дает возможность прогнозирования

Результаты (русский) 2:

6. Выводы
Это исследование предложил статистическую и машинного обучения
алгоритм на основе подхода заранее начать спрос на продукцию
прогнозирования на основе модели Басса. Принимая продукт
атрибут DB в качестве входов и диффузии продукт БД как выходы,
модели прогнозирования одиночные были разработаны с использованием шести
алгоритмов регрессии, на основе которых ансамбль
модель прогнозирования была построена для повышения интеллектуального
власти. Было показано, что большинство одиноких модели прогнозирования
превысил обычный аналогичный метод и
ансамбль модель улучшена точность прогноза дальше.
Была также Наглядный пример 3D-телевизор, чтобы
продемонстрировать, как разработанные модели могут быть использованы в
практике.
Это исследование вносит свой ​​вклад в области предварительной запуска
прогнозирование, предложив новый подход, который использует статистический и
алгоритмы машинного обучения регрессии на основе. Несмотря на
важность подготовки к запуску прогнозирования новых продуктов,
традиционные подходы, такие как субъективных, так и аналогичных
методов, не приводят к объективные оценки диффузии
параметров. Тем не менее, принятие статистические и машинные
алгоритмы регрессии обучения на основе достоверно изобразить можно
взаимосвязь между атрибутами и диффузионные характеристики
существующих продуктов, которые, в свою очередь, позволяет прогнозировать

Результаты (русский) 3:

6.выводы этого исследования, статистические и предложил "для обучения
алгоритм подход, основанный на учете до запуска продукта спроса
прогнозирование на основе бас модели.с результатом
атрибут дб в качестве вклада и продукт распространения dB мероприятий
единой модели прогнозирования были подготовлены с использованием шести
регрессии алгоритмов, на основе которых ансамбль.модель прогнозирования был построен в целях повышения прогнозных
власти.было показано, что большинство одиноких моделей прогнозирования
выше обычных аналогичный метод и что
ансамбль модель улучшению прогнозирования точность.
примера 3D - телевизор, был также представлен
продемонстрировать, каким образом разработанные модели может быть использована в

практики.это исследование способствует области предстартовые прогнозы
, предлагая новый подход, который использует статистические и
для обучения на регресс алгоритмов.несмотря на
важности предстартовые прогнозы новых продуктов,
традиционные подходы, такие как субъективный и аналогичных
методы не представляют объективные оценки распространения
параметров.тем не менее,принятие статистических и машина
обучения на основе регрессивного алгоритмы могут достоверно изобразить
взаимосвязи между атрибутов и распространения характеристики
существующих продуктов, которые, в свою очередь, позволяет прогнозировать.