2009年交易额0.5亿;
2010年交易额9.36亿;
2011年交易额33.6亿;
2012年交易额191亿;
2013年交易额362亿元;
2014年交易额达571亿元;
2015年交易额912.17亿元;
2016年交易额1207亿元;
2017年交易额1682亿元;
2018年交易额2135亿元,首次突破2000亿大关;
2019年交易额2684亿元,14秒成交额破10亿,;
2020年交易额4982亿元;
2021年交易额5403亿元。
我们先将所有的数据在界面上绘制出来,看看它复合什么样的数学模型
import numpy as np
import matplotlib.pyplot as plt
# 年份 销售额
data = np.array([[9, 0.5],
[10, 9.36],
[11, 52],
[12, 191],
[13, 350.19],
[14, 571],
[15, 912.17],
[16, 1207],
[17, 1682],
[18, 2135],
[19, 2684],
[20, 4982],
[21, 5403],
])
# 将所有数据绘制出来
plt.scatter(data[:, 0], data[:, 1], c="r")
plt.show()
我们可以猜想,销售额的数据和三次方程比较接近, 我们可以尝试使用三次方程来进行求解
那么这里的公式就应该是:
y
=
m
1
⋅
x
i
3
+
m
2
⋅
x
i
2
+
m
3
⋅
x
i
+
b
y = m_1cdot x_i^3 + m_2cdot x_i^2 + m_3cdot x_i + b
y=m1⋅xi3+m2⋅xi2+m3⋅xi+b 这里我们需要求解的就是最优的m1,m2,m3,b, 也就是我们需要求4个偏导数。
在此之前,我们都是手工推导的,在这里我们使用sympy模块快速计算公式
# y = m1*x^3 + m2*x^2 + m3*x + b
# 求解m1,m2,m3,b使mse最小
# mse/m1,mse/m2,mse/3,mse/b
# b,m,b,m1,m2,m3,b
from sympy import *
m1,m2,m3,b = symbols('m_1,m_2,m_3,b')
init_printing(pretty_print=True)
x_i,real_i,i = symbols("x_i,real_i,i")
MSE = Sum((m1*x_i**3 + m2*x_i**2 + m3*x_i + b - real_i)**2,(i,2009,2021))
MSE
生成的mse公式如下:
然后利用函数,求出mse对每一个变量的偏导数
# 梯度下降算法:找出最优m1,m2,m3,b 使得mse最小
# 初始化参数
m1,m2,m3,b = 1,1,1,1
learning_rate = 0.000000001
def gradientdecent():
global m1,m2,m3,b
m1slop,m2slop,m3slop,bslop = 0,0,0,0
mse = 0
# 计算偏导数/梯度
for x,real in data:
# 푏+푚1푥3푖+푚2푥2푖+푚3푥푖−푟푒푎푙푖
mse += (b+m1*x**3 + m2*x**2 + m3*x - real)**2
# 2푥3푖(푏+푚1푥3푖+푚2푥2푖+푚3푥푖−푟푒푎푙푖)
m1slop += 2*x**3*(b + m1*x**3 + m2*x**2 + m3**x - real)
m2slop += 2*x**2*(b + m1*x**3 + m2*x**2 + m3**x - real)
m3slop += 2*x**1*(b + m1*x**3 + m2*x**2 + m3**x - real)
bslop += 2*(b + m1*x**3 + m2*x**2 + m3**x - real)
# 更新参数
m1 = m1 - m1slop*learning_rate
m2 = m2 - m2slop*learning_rate
m3 = m3 - m3slop*learning_rate
b = b - bslop*learning_rate
# print("m1={},m2={},m3={},b={},mse={}".format(m1,m2,m3,b,mse))
return mse
# 使用循环,进行梯度下降,找到最优的4个参数
np.set_printoptions(suppress=True)
for i in range(100000):
mse = gradientdecent()
if i%100000 == 0:
print("m1={},m2={},m3={},b={},mse={}".format(m1,m2,m3,b,mse))
# 预测y = m1*x^3 + m2*x^2 + m3*x + b
year = 22
result = m1*year**3 + m2 * year**2 + m3*year + b
print("预测2022年天猫双十一的销售额:",result)
# 历史数据
plt.scatter(data[:,0],data[:,1])
# 预测数据
plt.scatter(year,result,c="red")
# 绘制曲线
x = np.linspace(9,25,25-9+1)
y = m1*x**3 + m2 * x**2 + m3*x + b
plt.plot(x,y,c="g")
plt.show()



