Може ли да се използва линейна регресия за прогнозиране на продажбите с ограничение за неотрицателност?

Линейната регресия може да се използва за прогнозиране на продажбите, но по подразбиране не взема предвид ограничението за неотрицателност. В класическата линейна регресия предсказанията могат да приемат всякакви стойности, включително отрицателни, което няма смисъл за продажбите.

За да вземете предвид ограничението за неотрицателност, можете:

• Да използвате модели с ограничения, като регресия с ограничения (constrained regression) или квадратично програмиране.
• Да приложите трансформация към целевата променлива, например логаритмиране (log(y + 1)), за да гарантирате положителни предсказания, и след това да преобразувате резултата обратно.
• Да използвате специализирани модели, като регресия с неотрицателни коефициенти (Non-negative Least Squares).

Пример с логаритмична трансформация:

import numpy as np
from sklearn.linear_model import LinearRegression

# X - характеристики, y - продажби
X = ...
y = ...

# Трансформация на целевата променлива
log_y = np.log1p(y)

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

# Предсказване
log_pred = model.predict(X_new)
pred = np.expm1(log_pred)  # Обратна трансформация

По този начин, линейната регресия може да бъде използвана, но за спазване на неотрицателността трябва да се прилагат допълнителни методи или трансформации.