Я хотел иметь возможность приблизительно предсказать, сколько показов я получу, основываясь на данных о предыдущих реакциях в LinkedIn.
Поэтому я построил регрессионную модель на основе своих впечатлений и реакций.
прогноз_реакции (20 реакций) = 2524 показа
прогноз_реакций (80 реакций) = 10 036 показов
Вот краткое описание того, как это работает:
Я наношу точки, а затем определяю линию, используя случайные параметры. Затем я рассчитываю стоимость, т.е. общая разница всех точек от линии. Затем я говорю алгоритму продолжать корректировать линию, чтобы снизить стоимость.
Я использовал python и библиотеку PyTorch для создания модели. Алгоритм немного настраивает параметры автоматически, но сначала вам нужно указать, насколько изменить значение каждого параметра на каждой итерации, например, скажем, значение m = 0,9 (наклон). Я мог бы указать, что оно должно измениться на 0,1. Следовательно, значение следующей итерации будет либо 1, либо 0,8 в зависимости от того, что алгоритм уже пробовал.
Я знаю, что есть более простые способы сделать это для такого небольшого размера выборки, вы можете рассчитать это, используя базовую статистику, но я хотел попробовать другой метод.
Обратите внимание, что здесь не учитывается множество факторов. Обычно у нас были бы сотни, если не тысячи вложенных функций для прогнозирования.
В анализе я фактически удалил одну из точек данных, так как вы можете считать ее выбросом. Я получил более 90 реакций на более чем 20 тысяч просмотров.
Как видите, он дает другой прогноз для 20 реакций:
прогноз_реакций (20 реакций) = 3416 показов.
