Можно ли использовать линейную регрессию для прогноза продаж с ограничением неотрицательности?

Линейную регрессию можно использовать для прогноза продаж, однако она не учитывает ограничение неотрицательности по умолчанию. В классической линейной регрессии предсказания могут принимать любые значения, включая отрицательные, что не имеет смысла для продаж.

Чтобы учесть ограничение неотрицательности, можно:

• Использовать модели с ограничениями, например, регрессию с ограничениями (constrained regression) или квадратичное программирование.
• Применить трансформацию целевой переменной, например, логарифмирование (log(y + 1)), чтобы гарантировать положительные предсказания, а затем обратно преобразовать результат.
• Использовать специализированные модели, например, регрессию с неотрицательными коэффициентами (Non-negative Least Squares).

Пример с логарифмической трансформацией:

import numpy as np
from sklearn.linear_model import LinearRegression

# X - признаки, y - продажи
X = ...
y = ...

# Трансформация целевой переменной
log_y = np.log1p(y)

model = LinearRegression()
model.fit(X, log_y)

# Предсказание
log_pred = model.predict(X_new)
pred = np.expm1(log_pred)  # Обратное преобразование

Таким образом, линейная регрессия может быть использована, но для соблюдения неотрицательности стоит применять дополнительные методы или трансформации.