Как построить гибридную модель Random Forest и Particle Swarm Optimizer, чтобы найти оптимальную скидку на продукты? ⇐ Python

[Anonymous]

Мне нужно найти оптимальную скидку для каждого продукта (например, A, B, C), чтобы максимизировать общий объем продаж. У меня есть существующие модели случайного леса для каждого продукта, которые отображают скидки и сезоны продаж. Как мне объединить эти модели и передать их оптимизатору, чтобы найти оптимальную скидку для каждого продукта?
Причина выбора модели:

• RF: он способен дать лучшее (по сравнению с линейными моделями) соотношение между предикторами и откликом (sales_uplift_norm).
• PSO: предлагается во многих официальных документах (доступно на сайте Researchgate/IEEE). , а также доступность пакета на Python здесь и здесь.

Входные данные: примеры данных, используемых для построения модели на уровне продукта. . Взгляните на данные, как показано ниже:


Идея/шаги, которые я выполнил:

• Построение радиочастотной модели для каждого продукта
  # pre-processed data
  products_pre_processed_data = {key:pre_process_data(df, key) for key, df in df_basepack_dict.items()}
  # rf models
  products_rf_model = {key:rf_fit(df) for key, df in products_pre_processed_data .items()}

• Передать модель оптимизатору
  
  Целевая функция: максимизировать sales_uplift_norm (переменную ответа RF-модели)
• Ограничение:
  
  общие расходы (расходы A + B + C
  
  Подробнее здесь: https://stackoverflow.com/questions/634 ... er-to-find