10、机器学习模型集成权重优化与双渠道供应链决策研究

机器学习模型集成权重优化与双渠道供应链决策研究

在当今的数据科学和供应链管理领域，有两个重要的研究方向备受关注。一是通过优化机器学习模型的集成权重来提升预测性能，二是探讨定价权力和服务策略对双渠道供应链决策的影响。下面将详细介绍这两方面的研究内容。

机器学习模型集成权重优化

• 数据预处理与模型应用 ：为了实现更精准的预测，研究人员首先将输入数据缩放到(0, 1)范围内。接着，在数据集上应用了七种机器学习模型，包括LASSO回归、随机森林、神经网络、XGBoost，以及带有三种核函数（多项式、径向基函数RBF和Sigmoid）的支持向量机（SVM）。
• Ames住房数据集 ：Ames住房数据集由De Cock于2011年提出，作为波士顿住房数据集的替代。该数据集描述了2006 - 2010年爱荷华州埃姆斯市个人住宅的销售情况，原始数据集包含2930条观测数据和80个变量。在2016年开始的Kaggle数据科学挑战中，此数据集被划分为训练集（1460条观测数据）和测试集（1459条观测数据），本研究仅使用训练集进行预测。
  • 数据预处理任务 ：在应用模型之前，对该数据集进行了一系列预处理和数据清理工作，具体如下：
    1. 移除与“GrLivArea”和“LotArea”两个变量相关的异常值。
    2. 对许多变量的缺失值进行插补。
    3. 对目标变量进行对数变换。
    4. 对数值输入变量进行对数变换。