8、机器学习在营收预测与犯罪率预测中的应用

机器学习在营收预测与犯罪率预测中的应用

在当今数字化时代，机器学习技术在各个领域都展现出了巨大的潜力，尤其是在营收预测和犯罪率预测方面。下面将详细介绍机器学习在这两个领域的应用。

营收预测中的机器学习方法

在营收预测中，我们使用了 Google 商品店的客户数据集，目标是预测每位客户的营收。为了实现这一目标，我们采用了多种机器学习方法，包括 GBM、XGBoost、CatBoost 和 LightGBM。

在模型训练前，我们对数据进行了特征工程处理，保留有用特征并创建新特征集，以提高模型的预测能力。之后，我们对预测方法的参数进行了调优，并将 20% 的样本作为验证数据集。实验在一台配备 Intel® Core i7 2.79 GHz 处理器和 8 GB 内存的 PC 上进行。

以下是四种方法的预测结果：
| 方法 | 学习 RMSE | 测试 RMSE | 时间 (s) |
| — | — | — | — |
| GBM | 1.533 | 1.548 | 709 |
| XGBoost | 1.788 | 1.790 | 796 |
| CatBoost | 1.452 | 1.521 | 822 |
| LightGBM | 1.429 | 1.517 | 86 |

从结果可以看出，在 RMSE 方面，CatBoost 和 LightGBM 的表现优于 GBM 和 XGBoost。虽然 LightGBM 存在一定的过拟合问题，但在学习 RMSE、测试 RMSE 和 CPU 运行时间方面，它都优于 CatBoost。LightGBM 的准确率更高，且运行时间约为 CatBoost