本文详细介绍了如何使用LSTM模型对电商平台的商品预测，包括数据集的描述、配置文件中各种参数的设置，以及预测结果展示，如下单商品件数和成交金额的预测。
基于LSTM的商品预测
本项目主要涉及使用LSTM模型解决商品预测问题。
1. 数据集描述
| 列名 | 数据格式 | 含义 |
|---|---|---|
| 日期 | 日期 | 具体时间 |
| 浏览量 | 整数 | 用户在电商平台页面上查看的次数 |
| 访客数 | 整数 | 电商平台页面的访问者数量 |
| 人均浏览量 | 浮 | 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 | 浮 | 访问者浏览页面所花费的平均时长 |
| 跳失率 | 浮 | 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 | 整数 | 成功付款的客户数 |
| 成交单量 | 整数 | 成功付款的订单数量 |
| 成交金额 | 整数 | 成功付款的总金额 |
| 客单价 | 浮 | 每个用户平均购买商品的金额 |
| 成交商品件数 | 整数 | 成功付款的商品件数 |
| 下单客户数 | 整数 | 已下订单的客户数 |
| 下单单量 | 整数 | 已下订单的订单数量 |
| 下单金额 | 整数 | 已下订单的总金额 |
| 下单商品件数 | 整数 | 已下订单的商品件数 |
2. 配置文件
(1) 数据集参数
- 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
(2) 网络参数
- 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
(3) 训练参数
- 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 - 纪元 ：
模型训练次数 - 耐心 ：
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
(4) 训练模式
- 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
(5) 路径参数
- 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
3. 运行结果展示
-
下单商品件数的预测
-
成交金额的预测
8392
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
