Czy można użyć regresji liniowej do prognozowania sprzedaży z ograniczeniem nieujemności?

Regresja liniowa może być używana do prognozowania sprzedaży, jednak domyślnie nie uwzględnia ograniczenia nieujemności. W klasycznej regresji liniowej prognozy mogą przyjmować dowolne wartości, w tym ujemne, co nie ma sensu w kontekście sprzedaży.

Aby uwzględnić ograniczenie nieujemności, można:

• Używać modeli z ograniczeniami, np. regresji z ograniczeniami (constrained regression) lub programowania kwadratowego.
• Zastosować transformację zmiennej celu, np. logarytmowanie (log(y + 1)), aby zagwarantować dodatnie prognozy, a następnie odwrócić transformację.
• Używać specjalistycznych modeli, np. regresji z nieujemnymi współczynnikami (Non-negative Least Squares).

Przykład z transformacją logarytmiczną:

import numpy as np
from sklearn.linear_model import LinearRegression

# X - cechy, y - sprzedaż
X = ...
y = ...

# Transformacja zmiennej celu
log_y = np.log1p(y)

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

# Prognoza
log_pred = model.predict(X_new)
pred = np.expm1(log_pred)  # Transformacja odwrotna

W ten sposób, regresja liniowa może być używana, ale aby zapewnić nieujemność, konieczne jest stosowanie dodatkowych metod lub transformacji.