تاثیر تنظیم پارامترها بر پیش بینی محدوده قیمت کالا مبتنی بر الگوریتم های یادگیری ماشین

در سال های گذشته، داشتن یه استراتژی ثابت شده برای قیمت گذاری محصولات روشی هوشمندانه و منطقی محسوب می شود. تکنیک های یادگیری ماشین نشان داده اند که برای پیش بینی قیمت محصولات خوب عمل می کنند اما همیشه استثناعاتی وجود دارد و ما در تلاش هستیم تا عملکرد این تکنیک ها را افزایش دهیم. در این تحقیق با استفاده از مدل های یادگیری ماشین به پیش بینی محدوده قیمت تلفن های همراه پرداختیم و در ادامه مدل هایی را برای بهبود انتخاب کردیم و از روش اعتبار سنجی متقابل به تنظیم پارامتر های مدل ها پرداختیم و دقت مدل ها قبل و بعد از تنظیم پارامتر ها را بررسی کردیم. نتاج نشان دادند که از بین تمام مدل های پیش بینی، طبقه بندی کننده ماشین بردار پشتیبان با دقت ۹۷%، صحت ۹۷%، فراخوانی ۹۷% و امتیاز F۱ %۹۷ و طبقه بندی کننده پرسپترون چند لایه با دقت ۹۶.۷۵%، صحت ۹۷%، فراخوانی ۹۷% و امتیاز F۱ %۹۷ بهترین پیش بینی ها را تولید کردند. همچنین طبقه بندی کننده های k نزدیک ترین همسایه، جنگل تصادفی و XGBoost به ترتیب امتیازهای دقت ۹۳.۷۵% و ۹۳.۷۵% و ۹۳.۲۵% را گزارش کردند. این رویکرد کاوش و درک کامل تکنیک های مختلف یادگیری ماشین و کاربرد آن ها را برای مشکل پیش بینی محدوده قیمت تلفن همراه تضمین می کند. این پروژه نه تنها بینشی در مورد اثربخشی مدل های مختلف ارائه کرد، بلکه بر اهمیت تنظیم پارامترها در یادگیری ماشین تاکید کرد.

کلیدواژه ها:

یادگیری ماشین ، پیش بینی قیمت ، تنظیم پارامترها