왼쪽 검열 된 데이터에 표준 기계 학습 도구 사용

수입 업체가 유통 업체의 고객 네트워크에서 제품 수요를 예측할 수 있도록하는 예측 애플리케이션을 개발 중입니다. 판매량은 수요를 충족시키기에 충분한 재고가있는 한 수요에 대한 대리입니다. 하지만 재고를 0으로 낮추면 (고객이 피하는 데 도움이되는 상황) 목표를 놓친 부분을 많이 알지 못합니다. 고객이 얼마나 많은 판매를했을까요? 충분한 공급이 있었습니까? Sales를 간단한 대상 변수로 사용하는 표준 회귀 기반 ML 접근 방식은 시간, 설명 변수 및 수요 간의 관계에 대한 일관된 추정치를 생성합니다.

: 토비트 모델링 문제에 접근하는 가장 확실한 방법입니다 http://en.wikipedia.org/wiki/Tobit_model을 . 데이터의 왼손 검열 구조를 설명하는 임의 포리스트, GBMS, SVM 및 신경망의 ML 적응에 대해 궁금합니다.

즉, 기계 학습 도구를 왼쪽 검열 된 회귀 데이터에 적용하여 종속 변수와 독립 변수 간의 관계를 일관되게 추정 할 수 있습니까? 우선 R에서 사용 가능한 솔루션을 선호하고 그 다음에 Python을 선호합니다.

건배,

아론

즉, 기계 학습 도구를 왼쪽 검열 된 회귀 데이터에 적용하여 종속 변수와 독립 변수 간의 관계를 일관되게 추정 할 수 있습니까?

가능성을 쓰고 부호를 마이너스로 뒤집을 수 있다면 많은 기계 학습 모델에 사용할 수있는 손실 기능이 있습니다. 그라디언트 부스팅에서는 일반적으로 모델 부스팅이라고 합니다. 예를 들어, 부스팅 알고리즘 : 정규화, 예측 및 모델 피팅을 참조하십시오 .

Tobit 모델의 예로 기본 예측 용지의 Gradient Tree Boosted Tobit Models를 참조하십시오 . 이 방법은 논문에 언급 된 scikit-learn 브랜치에서 사용할 수 있어야합니다.

같은 아이디어는 예를 들어, 마우스 오른쪽 검열 데이터를 사용하는 경우, gbm그리고 mboost바로 검열 데이터에 대한 R의 패키지.

$L2$