我想通过历史数据运行回归算法（线性、SVM、随机森林、Xgboost）来预测产品的价格范围。
为了获得价格范围，我将使用最高预测值作为上限，下一个最佳值作为下限）。
Ex: Product a price range preicttion - $1000 to $5000.
$5000 is from top predicted price.
$1000 is from next best-predicted price.
我的方法正确吗？
尚未接收数据，因此没有太多数据样本可提供。
请建议。
如果在您的数据集中，您有两列作为最小值和最大值作为列 n-1 和 n，您可以为 n-1 列训练数据集，其中第 n-1 列是您的依赖值，那么对于预测第 n 列，第 n 列将是您的从属值，而其他 n-1 列是独立的。
从你的问题来看，你在看什么并不是很清楚。我假设你会有这样的数据，
feature 1, feature 2, ..., feature n, price (multiple entries like this)
现在您需要训练这些数据来训练模型来预测价格。价格是您的输出变量，特征是输入变量。训练模型后，使用一些测试数据（您知道价格的地方）来查看预测价格是多少。并查看与实际值相比预测的好/坏。
不知道为什么你需要最高价格和次优价格。
我相信你期望你的模型有两个结果，
1. Minimum price
2. Maximum price
假设您的训练数据集有两个标签，即最低价格和最高价格。如果是这样，我认为您应该训练两个单独的回归模型，1. 将最低价格标签作为目标，将休息作为特征。2. 保持最大价格标签为目标，其余为特征。
如果您的训练数据只有一个标签，即只有价格。在这种情况下，根据我的说法，您可以设置一些阈值，它将作为价格差异发挥作用。