文献

J-GLOBAL ID：202102278475531250   整理番号：21A0892598

アンサンブル学習アプローチと歴史的データを用いた小売品購入確率の予測【JST・京大機械翻訳】

Predicting purchase probability of retail items using an ensemble learning approach and historical data

著者 (2件)： Sharma Archika (Carleton University,School of Information Technology,Ottawa,Canada) ,  Omair Shafiq M. (Carleton University,School of Information Technology,Ottawa,Canada)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICMLA  ページ： 723-728  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 小売市場の貯蔵およびサプライチェーン管理のための計画は,過剰供給および過剰供給のリスクを低減する一方で,小売アイテムの高いアベイラビリティを確保するために重要である。小売アイテムの購入確率を正確かつ効率的に予測する能力は,そのような最適化サプライチェーン管理を可能にするために重要である。本論文では,歴史的購入データを用いて,小売アイテムの購入確率を効率的に予測するためのアンサンブル学習ベースモデルの構築と同様に,前処理,解析を行う。提案したアンサンブル学習モデルは,ランダムフォレスト,畳込みニューラルネットワーク,極端勾配ブースティング(XGBoost),および投票機構を利用する異なるセグメントから成る。提案した解決策の詳細な評価を,精度,F1スコア,感度,特異性,およびより多くの分析によって行った。評価は,さらに効率分析,複雑性解析を含んだ。提案した解法は,評価において示すように,既存の解法より実行した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  前処理 ,  *小売 ,  アベイラビリティ ,  投票 ,  性能分析
準シソーラス用語： サプライチェーンマネジメント ,  *アンサンブル学習 ,  ブースティング ,  複雑性 ,  特異性 ,  ランダムフォレスト ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： アンサンブル学習 ,  歴史 ,  購入 ,  確率 ,  予測