本文探讨了在需求预测与分仓规划的比赛中，如何结合补多成本和补少成本调整损失函数以优化模型。通过枚举计算、平衡树和链表等方法寻找样本集合的最优预测值，降低总成本。尽管直接应用GBDT或XGBOOST可能效果不佳，但通过调整损失函数能显著提高预测准确性。
菜鸟-需求预测与分仓规划
Another url: https://bulihanjie.github.io/2016/09/27/菜鸟-需求预测与分仓规划/
题目描述：
基本流程：
和其他机器学习比赛的思路大致是一样的：数据按照分仓和全国分开处理，划分时间窗口提取特征，跑模型，模型融合等，可能这比赛中可以添加规则来提高成绩。
在这里，我主要讲的是比赛中的尝试，与以前不一样的是改变模型求解的损失函数使得更加符合本题。
损失函数分析：
在赛题中，成本的计算受两个参数控制：补多成本和补少成本。当预测库存比实际库存少时，成本总和加上补少成本×库存之差；当预测库存比实际库存多时，成本总和加上补多成本×库存之差。因此补少成本和补多成本对于目标函数有着重大的影响，而如果直接调用模型进行训练，由于训练的损失函数不同，导致总的成本过高。
举个例子：
| 补多 | 补少 | 实际成本 |
|---|---|---|
| 4 | 3 | 1 |
| 1 | 2 | 1 |
| 3 | 4 | 1 |
| 3 | 5 | 1 |
| 2 | 1 | 50 |
如果忽略了补多成本和补少成本，可能全部预测为10（均值），得到的总成本为139。当预测为1的时候，总成本为
最低0.47元/天 解锁文章
扫一扫
1432
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
