基于機器學習的企業銷售額策略研究

【摘要】 本文通過K-fold交叉驗證方法，利用粒子群算法對支持向量機的懲罰參數c和gamma值進行尋優，建立起2011年1月-2012年5月企業銷售額預測模型。利用粒子群算法優化懲罰參數c為2.3539，利用radial basis function核函數的SVM對預測集的預測相關系數為92%以上，結果令人滿意。

【關鍵詞】 支持向量機 粒子群算法 企業銷售額

引言

由于企業銷售額策略涉及的心理過程及情緒狀態比較復雜，因此目前理論界缺乏對企業銷售額策略行為的清晰界定，同時在研究方法上也存在著一定的局限性。企業銷售額策略研究在消費者行為研究領域中具有深遠的影啊，國外有相當多的學者對其進行了研究。最早對企業銷售額策略行為進行研究的是杜邦消費者購買習慣及購買點廣告研究所，該機構的研究人員將企業銷售額策略行為定義為非計劃性購買行為。

支持向量機（SVM：Support Vector Machine）是近年來備受關注的機器學習，是發展智能診斷系統的一個重要方法。泛化能力強的特點使其在各個領域中的應用越來越廣泛[1，2]。SVM在高維空間求樣本數據線性不可分情況的最優分類面[3，4]，其計算和存儲數據不受輸入維數的限制[5]，符合影響企業促銷策略因素多的特點。

1. 影響企業銷售額策略因素數據處理

影響企業銷售額策略因素來源于某商場統計公布的數據，將購買人群中的性別、年齡、可支配月收入和學歷歸為影響企業銷售額策略因素，各相關數據均來源于時間跨度為2011年1月-2011年10月期間所公布數據。企業銷售額的數值單位、性別、年齡、可支配月收入和學歷的各自單位均不相同。單位不同，會引起數據數量級的差異，從而可能引起預測精度下降。歸一化處理可解決此問題。在本研究中，訓練集與預測集數據進行[0，1]歸一化，歸一化后各個數據如圖1所示。