Skip Navigation Links

عنوان ترجمه شده مقاله: انتخاب ویژگی به روش تکاملی چندهدفه برای پیش‌بینی فروش آنلاین

مقاله با ترجمه هوش مصنوعی 2017 با عنوان :انتخاب ویژگی به روش تکاملی چندهدفه برای پیش‌بینی فروش آنلاین در این بخش قابل دانلود است.
 Abstract

Sales forecasting uses historical sales figures, in association with products characteristics and peculiarities, to predict short-term or long-term future performance in a business, and it can be used to derive sound financial and business plans. By using publicly available data, we build an accurate regression model for online sales forecasting obtained via a novel feature selection methodology composed by the application of the multi-objective evolutionary algorithm ENORA (Evolutionary NOn-dominated Radial slots based Algorithm) as search strategy in a wrapper method driven by the well-known regression model learner Random Forest. Our proposal integrates feature selection for regression, model evaluation, and decision making, in order to choose the most satisfactory model according to an a posteriori process in a multi-objective context. We test and compare the performances of ENORA as multi-objective evolutionary search strategy against a standard multi-objective evolutionary search strategy such as NSGA-II (Non-dominated Sorted Genetic Algorithm), against a classical backward search strategy such as RFE (Recursive Feature Elimination), and against the original data set

چکیده

 پیش‌بینی فروش از آمار گذشته‌ی فروش به همراه خصوصیات و صفات محصولات، برای پیش‌بینی کارایی کوتاه‌مدت یا بلندمدت آتی در یک کسب‌وکار استفاده می‌کند و می‌توان از آن برای استنتاج طرح‌های قابل‌اعتماد مالی و کاری استفاده کرد. ما با استفاده از داده‌هایی که به طور عمومی در دسترس هستند، یک مدل رگرسیون دقیق برای پیش‌بینی فروش آنلاین ایجاد می‌کنیم که از طریق یک روش‌شناسی جدید انتخاب ویژگی حاصل می‌شود. این روش‌شناسی از کاربرد الگوریتم ENORAی تکاملی چندهدفه (الگوریتم مبتنی بر شکاف‌های شعاعی تکاملی غیرتحت‌سلطه) به عنوان استراتژی جست‌وجو به یک شیوه‌ی wrapper تشکیل می‌شود که ناشی از یادگیرنده‌ی مدل مشهور رگرسیون جنگل تصادفی است. پیشنهاد ما انتخاب ویژگی برای رگرسیون، ارزیابی مدل و تصمیم‌گیری را یکپارچه می‌سازد تا برطبق یک فرایند پسین در یک زمینه‌ی چندهدفه، مناسب‌ترین مدل را انتخاب نماید. کارایی ENORA را به عنوان یک استراتژی جست‌وجوی تکاملی چندهدفه در برابر یک استراتژی جست‌وجوی تکاملی چندهدفه‌ی استاندارد مانند NSGA-II (الگوریتم ژنتیک مرتب غیرتحت‌سلطه)، یک استراتژی جست‌وجوی رو به عقب کلاسیک مانند RFE (حذف برگشتی ویژگی) و مجموعه داده‌ی اصلی مقایسه می‌کنیم.

 1-مقدمه

پیش‌بینی فروش نقش مهمی در هوش تجاری دارد که می‌توان هوش تجاری را به صورت مجموعه‌ی روش‌شناسی‌ها و تکنیک‌های استفاده شده در حصول و انتقال داده‌های خام به اطلاعات ساخت‌یافته برای اهداف تحلیلی تعریف کرد. پیش‌بینی، فرایند انجام پیش‌بینی‌ها درباره‌ی آینده بر اساس داده‌های گذشته و حال است [1]. تکنیک‌های تحلیلی برای پیش‌بینی را می‌توان به طور گسترده به تکنیک‌های رگرسیون و تکنیک‌های یادگیری ماشین گروه‌بندی کرد. پیش‌بینی فروش از آمار گذشته‌ی فروش به همراه خصوصیات و صفات محصولات، برای پیش‌بینی کارایی کوتاه‌مدت یا بلندمدت آتی استفاده می‌کند و می‌توان از آن برای استنتاج طرح‌های قابل‌اعتماد مالی و کاری استفاده کرد...


گروه ترجمه تخصصی البرز اقدام به ترجمه مقاله " مهندسی فناوری اطلاعات " با موضوع " انتخاب ویژگی به روش تکاملی چندهدفه برای پیش‌بینی فروش آنلاین " نموده است که شما کاربر گرامی می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
انتخاب ویژگی به روش تکاملی چندهدفه برای پیش‌بینی فروش آنلاین
نویسنده/ناشر/نام مجله :
Neurocomputing
سال انتشار
2017
کد محصول
1010791
تعداد صفحات انگليسی
38
تعداد صفحات فارسی
56
قیمت بر حسب ریال
455,000
نوع فایل های ضمیمه
pdf+word
حجم فایل
2 مگا بایت
تصویر پیش فرض


این مقاله ترجمه شده را با دوستان خود به اشتراک بگذارید
سایر مقالات ترجمه شده مهندسی فناوری اطلاعات , مهندسی كامپيوتر را مشاهده کنید.
کاربر گرامی، بلافاصله پس از خرید مقاله ترجمه شده مقاله ترجمه شده و با یک کلیک می توانید مقاله ترجمه شده خود را دانلود نمایید. مقاله ترجمه شده خوداقدام نمایید.
جهت خرید لینک دانلود ترجمه فارسی کلیک کنید
جستجوی پیشرفته مقالات ترجمه شده
برای کسب اطلاعات بیشتر، راهنمای فرایند خرید و دانلود محتوی را ببینید
هزینه این مقاله ترجمه شده 455000 ریال بوده که در مقایسه با هزینه ترجمه مجدد آن بسیار ناچیز است.
اگر امکان دانلود از لینک دانلود مستقیم به هر دلیل برای شما میسر نبود، کد دانلودی که از طریق ایمیل و پیامک برای شما ارسال می شود را در کادر زیر وارد نمایید


این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:






Multi-objective evolutionary algorithms
Feature selection
Random forest
Regression model

تاریخ انتشار در سایت: 2017-06-20
جستجوی پیشرفته مقالات ترجمه شده
نظرتان در مورد این مقاله ترجمه شده چیست؟

ثبت سفارش جدید