Как я могу прогнозировать разрешение билетов или время очереди, используя исторические данные тикера в Python [закрыто] ⇐ Python

[Anonymous]

Я хочу создать модель, которая прогнозирует время разрешения билетов для билетов поддержки программного обеспечения для науки о данных. Я рассчитал время очереди и время разрешения по данным билетов с использованием Pandas, и теперь я хочу построить модель для прогнозирования времени будущего разрешения. Я не уверен, какой тип модели или шагов предварительной обработки я должен использовать, чтобы получить надежные оценки времени. Точность.
Полная структура набора данных: программное обеспечение/билеты на науку о данных
Общий обзор

• идентификатор билета : ranges от ticket001 до100 . Поля
  
  Дата создания/время :
  
  Случайно назначено между 3 января 2022 и 26 июня 2025 . праздники). /> set 1–14 дней после даты/времени создания. уникальный < /strong>, описательные проблемы с программным обеспечением /связанные с данными науки. pipeline"
• "Slow API response for data query endpoint"
• "Task: Refactor ETL script for scalability"
• "Improve model accuracy for sentiment analysis"

< /ul>
свойства билета < /h2>

• Приоритет < /strong>: < /p>
  
  Категории: низкие, средние, критические. высокий/критический .

[*] Состояние :

• Отражает жизненный билет: Открытый, в процессе, разрешенный, закрытый. Прогресс. /> < /li>
  Серьезность < /strong>: < /p>
  
  Выровнен с приоритетом (например, критический → блокировщик). < /li>
  < /ul>
  < /li>
  
  < /ul>
  < /li>
  < /ul>
  < /li>
  < /lron /> Имена из определенного пула:
  

  Код: Выделить всё

  john_doe

  , mary_smith , dev_team_alpha , dev_team_beta , alice_jones , bob_lee

• project /module < /strong>: < /p>
  
  назначен одному из:
  

  Код: Выделить всё

  Data_Pipeline

  , ml_model , analytics_dashboard , база данных , api

[*] rekeue name :
rekeue Назначен на основе типа вопроса:

• Код: Выделить всё

  Backend_Dev_Queue

  , ml_dev_queue , ui_dev_queue

[*] среда [/b]:

• :
  
  
  
  
  
  Realism.
• Другие параметры: постановка , тестирование , разработка

[*] Источники user-Resport :

sources :


. QA , внутренний
[*] user-reported чаще всего. />
Диапазон: 2–16 часов
Отражает сложность задачи и объем. />> /> Что я попробовал: < /p>
У меня есть набор данных из 100+ билетов поддержки с такими полями, как тип выпуска, приоритет, время очереди, время разрешения и общее время. Я загрузил это в DataFrame Pandas и исследовал данные, используя GroupBy и построение. Затем я попытался использовать модель линейной регрессии для прогнозирования времени разрешения, но результаты были не очень точными. < /P>
Что я ожидал. Я также надеялся понять, какие функции (например, тип выпуска, приоритет) оказывают наибольшее влияние на время разрешения. Мне бы хотелось помочь улучшить модель или знать, лучше ли подходит другой алгоритм (например, XGBOOST, RandomForest или временные ряды).

Подробнее здесь: https://stackoverflow.com/questions/796 ... -ticket-da