Comments 7
А LSTM или его аналоги не будут лучше на временных данных работать?
Я новичок в ML, можете объяснить, почему вы решили использовать предикт на следующий день в качестве признака на каждой итерации модели? Это связано с выбранной моделью?
Несём ответ от Виталия Белова)
Этот подход позволяет модели учитывать последовательные изменения в данных, что полезно для временных рядов, где текущее значение может зависеть от предыдущих. Итерационный подход может лучше моделировать сложные зависимости в данных, которые могут быть упущены при однократном прогнозировании. Такой подход может улучшить качество прогноза, особенно если есть сильная зависимость между последовательными наблюдениями. Но такой подход также имеет свои особенности: он вычислительно сложный для длинных временных рядов и приводит к накоплению ошибок: предсказания на горизонте показывают худшее качество
Не очень понятно, как скейлинг объёма продаж помог решить проблему холодного старта ?
Отвечает (барабанная дробь) Виталий Белов, соавтор статьи и ML-инженер:
Базовое решение не позволяло получить предсказание при прямом переносе модели, обученной на одном из ретейлеров, для другого ретейлера из-за различного уровня продаж. Модель обучалась и запоминала определенный уровень для данного ретейлера. Применение StandartScaler позволило стандартизовать данные и сделать предсказания более точными, даже если не было исторических данных по определенным товарам в одном из ретейлеров.
Как мы научили ML-модель выбирать товары для акций в СберМаркете и увеличили ROI скидок в 8 раз