实战 2：商品销量预测（回归任务 + 时间序列）

欢迎来到Scikit-learn高级教程的实战章节！在这一部分，我们将探索一个电商业务中的常见问题：商品销量预测。这涉及回归任务和时间序列分析，旨在帮助您优化库存管理。教程内容面向新手，力求简单易懂，并配有代码示例和解释。

业务需求分析：电商商品销量预测与库存优化

在电商领域，准确预测商品销量至关重要。为什么？因为它直接影响库存管理：销量过多可能导致库存积压和资金浪费；销量过少则可能脱销，错失销售机会。通过预测，您可以智能备货，提高运营效率。

• 目标：使用历史销量数据预测未来销量，以最小化库存成本和最大化客户满意度。
• 业务价值：优化库存水平，减少浪费，提高利润。

时间序列数据处理：使用TimeSeriesSplit避免数据泄露

时间序列数据有顺序性，不能用随机方式拆分训练和测试集，否则会导致数据泄露（即未来数据影响预测）。Scikit-learn提供了TimeSeriesSplit类来安全处理。

from sklearn.model_selection import TimeSeriesSplit
import pandas as pd

# 假设df是一个包含日期和销量的DataFrame
# 按时间排序
sorted_df = df.sort_values('date')

# 初始化TimeSeriesSplit
n_splits = 5  # 交叉验证折叠数
tscv = TimeSeriesSplit(n_splits=n_splits)

# 拆分特征X和目标y（假设y是销量）
X = sorted_df.drop(columns=['sales', 'date'])  # 特征列
y = sorted_df['sales']  # 目标变量

# 使用TimeSeriesSplit进行交叉验证
for train_index, test_index in tscv.split(X):
    X_train, X_test = X.iloc[train_index], X.iloc[test_index]
    y_train, y_test = y.iloc[train_index], y.iloc[test_index]
    # 在此处训练和评估模型

解释：TimeSeriesSplit确保训练集总是先于测试集的时间顺序，避免数据泄露，适合时间序列预测任务。

特征工程：提取时间特征、滚动窗口特征和节假日特征

特征工程是提升模型性能的关键。对于时间序列数据，我们可以提取以下特征：

1. 时间特征

从日期中提取信息，如星期几、月份、年份等。

df['weekday'] = df['date'].dt.weekday  # 星期几（0-6）
df['month'] = df['date'].dt.month       # 月份

2. 滚动窗口特征

计算过去的统计值，如过去7天、30天的平均销量。

window_size = 7  # 例如，过去7天
df['rolling_mean'] = df['sales'].rolling(window=window_size).mean()  # 滚动平均
df['rolling_std'] = df['sales'].rolling(window=window_size).std()    # 滚动标准差

3. 节假日特征

添加二元标志，表示是否是节假日或促销期。

def is_holiday(date):
    # 定义节假日列表（示例）
    holidays = ['2023-01-01', '2023-12-25']  # 新年、圣诞节
    return date in holidays

df['is_holiday'] = df['date'].apply(lambda x: 1 if is_holiday(x) else 0)

将所有特征合并到X中，准备用于模型训练。

回归模型训练：使用XGBoost和LightGBM堆叠

堆叠（Stacking）是一种集成学习方法，结合多个模型的预测来提升性能。这里使用XGBoost和LightGBM作为基模型。

首先，安装所需库：XGBoost和LightGBM（如果未安装，可使用pip安装）。

import xgboost as xgb
import lightgbm as lgb
from sklearn.ensemble import StackingRegressor
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_val_score

# 定义基模型
base_models = [
    ('xgb', xgb.XGBRegressor(n_estimators=100, random_state=42)),
    ('lgb', lgb.LGBMRegressor(n_estimators=100, random_state=42))
]

# 定义元模型
meta_model = LinearRegression()

# 创建堆叠回归器
stacked_model = StackingRegressor(estimators=base_models, final_estimator=meta_model)

# 使用TimeSeriesSplit交叉验证训练
scores = cross_val_score(stacked_model, X, y, cv=tscv, scoring='neg_mean_absolute_percentage_error')
print("平均MAPE分数:", -scores.mean())  # 注意：负分数是因为scikit-learn的惯例

解释：堆叠模型结合了XGBoost和LightGBM的优势，元模型（线性回归）用于综合它们的输出，提升预测精度。使用交叉验证避免过拟合。

模型评估：MAPE与预测结果可视化

模型评估：使用MAPE

MAPE（平均绝对百分比误差）是一种常用的回归评估指标，衡量预测误差的百分比。

from sklearn.metrics import mean_absolute_percentage_error

# 假设有预测结果y_pred和真实值y_true
mape = mean_absolute_percentage_error(y_true, y_pred)
print(f"MAPE: {mape:.2%}")  # 输出百分比形式

MAPE值越低，预测越准确。对于电商，MAPE小于10%通常表示良好。

预测结果可视化

可视化有助于直观比较预测值和真实值。

import matplotlib.pyplot as plt

# 绘制真实销量vs预测销量
plt.figure(figsize=(10,6))
plt.plot(y_true.index, y_true.values, label='真实销量', color='blue')
plt.plot(y_pred.index, y_pred, label='预测销量', color='red', linestyle='--')
plt.xlabel('日期')
plt.ylabel('销量')
plt.title('商品销量预测结果')
plt.legend()
plt.show()

总结

在本章中，我们完成了商品销量预测的实战项目。您学习了：

• 业务需求分析：将预测用于库存优化。
• 时间序列数据处理：使用TimeSeriesSplit避免数据泄露。
• 特征工程：提取时间、滚动窗口和节假日特征。
• 回归模型训练：使用XGBoost和LightGBM堆叠提升性能。
• 模型评估：用MAPE衡量误差，并通过可视化展示结果。

通过这个案例，您可以将这些技巧应用到实际电商数据中，提高预测准确性。继续练习，探索更多模型和特征！

如需进一步学习，请参考Scikit-learn文档和相关时间序列预测资源。