log-log vs log 双对数函数在价量预测情景中的优势和代码实现
python
• log-log 优势
• 原因
• log-log 回归 python 代码实现
log-log 优势
双对数函数,log-log fucntion,基本格式:
l n Y = k 0 + k 1 ∗ l n X ln^Y = k_0 + k_1*ln^X lnY=k0+k1∗lnX
是常用于现实价量预测场景中的回归模型,很多现实零售场景中,销售的价量
关系往往是呈现类似于反比例关系的,当价格降低,销量呈现幂级或指数级增
加。此文为本人为对此函数模型简单理解,并比较和一般对数函数,反比例函
数的效果。
这里实验比较了 log 和 log-log,通过价格(输入)和销量(输出)回归。实
验样本取自真实销售历史记录。
Log 函数: Y = k 0 + k 1 ∗ l n X Y = k_0 + k_1*ln^X Y=k0+k1∗lnX
当价格(分布的均值) - (价格分布的标准差)接近于 0 时,(价格的变化范
围靠近 0 点),一般 log model 可以很好的拟合这种变化趋势。见下图
评论0
最新资源