Applicazioni pratiche di machine learning/Previsione di vendite future: differenze tra le versioni

 

===Caricamento librerie ===

library(dplyr)

library(gbm)

library(ggplot2)

 

===Parte 1: Dati===

 

'''Caricamento dei dati:'''

sales_train <- read.csv("sales_train_v2.csv")

items2 <-read.csv("items.csv")

sales_train <- merge(sales_train,items, by =c("item_id"), all.x = TRUE)

sales_train <- merge(sales_train,shops, by =c("shop_id"), all.x = TRUE)

 

'''Creazione di nuove variabili nel dataset :'''

 

'''#Creazione delle variabili: week_day, month , week_year'''

sales_train$date <- as.Date(sales_train$date,tryFormats=c("%d.%m.%Y"))

p <- as.POSIXlt(sales_train$date)

sales_train <- merge(sales_train, as.data.frame(df1),

by=c("date_block_num","week_year","week_day","shop_id","item_category_id","item_id","item_price", "date_item_avg","date_shop_cat_avg"), all.x = TRUE)

 

E' possibile migliorare il modello aggiungendo nuove variabili e/o modificando il tuning degli iperparametri (DA FARE)

 

===Parte 3: Esplorazione dei dati===

sales_train %>%

group_by(item_category_name_translated) %>%

ylab("Total sales") +

ggtitle("Categories with total sales > 10000", subtitle = "from 2013/01 to 2015/09")

 

[[File:Categorie con più di 10000 prodotti venduti.png|centro|Categorie con più di 10000 prodotti venduti da gennaio 2013 a settembre 2015]]

'''Cancellazione degli outliers:'''

Nelle variabili prezzo item_price e numero dei prodotti venduti item_cnt_day ci sono valori anomali, troppo grandi e rari che occorre cancellare :

sales_train %>%

ggplot(aes(item_id,item_price))+

max(sales_train$item_price)

max(sales_train$item_cnt_day)

 

[[File:Outliers1.png|centro|Outlier item_price]]

I dati per creare il modello previsionale sono quelli anteriori a ottobre 2015 e costituiscono il cosiddetto '''training set''' (date_block_num <33), mentre quelli relativi a ottobre 2015 (date_block_num = 33) costituiscono il '''validation set''' .

 

sales_validation <-

sales_train[which(sales_train$date_block_num==33),]

sales_train <- sales_train[which(sales_train$date_block_num<33),]

 

Per prevedere le vendite mensili totali a ottobre 2015 il pacchetto gbm adotta la strategia del gradiente stocastico, una piccola ma importante modifica dell'algoritmo di base.

 

gbm_model = gbm(item_cnt_month ~ shop_id + item_id +

item_category_id + date_block_num + item_price + week_day +

n.cores = -1,

verbose = T)

 

===Parte 5: Previsione===

sia sul training set che sul validation set (ottobre 2015) e si può calcolare l'errore quadratico medio (RMSE) per valutare la correttezza della previsione.

 

p1 = predict(gbm_model,newdata = sales_train, n.trees = 1000)

print(paste("RMSE_train=",sqrt((1/nrow(sales_train))*sum((p1-

print(paste("RMSE_validation=",rmse))

## [1] "RMSE_test= 3.70520797224124"

 

Inoltre è possibile rispondere alla domanda di ricerca prevedendo le vendite mensili sul '''testing set''' (November 2015):

 

p1 = predict(gbm_model,newdata = sales_test, n.trees = 1000)

sub2 = data.frame(ID = sales_test$ID,item_cnt_month =

write.csv(sub2, "submission.csv", row.names = F)

 

[[Categoria:Applicazioni pratiche di machine learning|Previsione di vendite future]]