本项目主要涉及使用LSTM模型解决商品预测问题。
| 列名 | 数据格式 | 含义 |
|---|---|---|
| 日期 | date | 具体时间 |
| 浏览量 | int | 用户在电商平台页面上查看的次数 |
| 访客数 | int | 电商平台页面的访问者数量 |
| 人均浏览量 | float | 一天内用户平均在电商平台页面上查看的次数 |
| 平均停留时间 | float | 访问者浏览页面所花费的平均时长 |
| 跳失率 | float | 用户通过相应入口进入，只访问了一个页面就离开的访问次数占该页面总访问次数的比例 |
| 成交客户数 | int | 成功付款的客户数 |
| 成交单量 | int | 成功付款的订单数量 |
| 成交金额 | int | 成功付款的总金额 |
| 客单价 | float | 每个用户平均购买商品的金额 |
| 成交商品件数 | int | 成功付款的商品件数 |
| 下单客户数 | int | 已下订单的客户数 |
| 下单单量 | int | 已下订单的订单数量 |
| 下单金额 | int | 已下订单的总金额 |
| 下单商品件数 | int | 已下订单的商品件数 |
- feature_columns :
csv数据集中用作特征的列，列的编号为0，1，2，··· - label_columns :
csv数据集中用作标签的列，列的编号为0，1，2，··· - predict_day :
预测未来多少天
- input_size :
输入层尺寸，即用作特征的列的个数 - output_size :
输出层尺寸，即用作标签的列的个数 - hidden_size :
隐藏层尺寸 - lstm_layers :
LSTM的层数 - dropout_rate :
Dropout的概率 - time_step :
LSTM中的time_step,即用前多少天的数据来预测后一天
- do_train :
是否训练模型 - do_predict :
模型是否用作预测 - add_train :
是否在已训练好的权重上继续训练 - shuffle_train_data :
是否随机打乱训练数据 - use_cuda :
是否使用GPU训练 - train_data_rate :
训练数据占总体数据比例 - valid_data_rate :
验证数据占训练数据比例 - batch_size :
单次传递给模型用以训练的样本个数 - learning_rate :
学习率 - epoch :
模型训练次数 - patience :
训练多少epoch，验证集没提升就停掉 - random_seed :
随机种子，保证可复现 - do_continue_train :
每次训练把上一次的final_state作为下一次的init_state
- debug_mode :
调试模式下，是为了跑通代码，追求快 - debug_num :
仅用debug_num条数据来调试
- train_data_path :
数据集保存位置 - model_save_path :
模型权重保存位置 - figure_save_path :
预测结果图片保存位置 - log_save_path :
训练记录保存位置 - do_log_print_to_screen :
是否将config和训练过程在屏幕显示 - do_log_save_to_file :
是否将config和训练过程记录到log - do_figure_save :
是否保存预测结果图片 - do_train_visualized :
训练loss可视化，pytorch用visdom
-
下单商品件数的预测
-
成交金额的预测
