我正在开发一个预测应用程序，其目的是让进口商预测其分销商客户网络对其产品的需求。只要有足够的库存来满足需求，销售数据就可以很好地代表需求。但是，当库存降至零时（我们希望帮助客户避免这种情况），我们不知道我们错过了多少目标。如果供应充足，客户会进行多少销售？使用销售额作为简单目标变量的标准基于回归的 ML 方法将对时间、我的描述性变量和需求之间的关系产生不一致的估计。
Tobit 建模是解决问题的最明显方法：http ://en.wikipedia.org/wiki/Tobit_model 。我想知道随机森林、GBMS、SVM 和神经网络的 ML 适应，它们也解释了数据的左手审查结构。
简而言之，我如何将机器学习工具应用于左删失回归数据，以获得对我的因变量和自变量之间关系的一致估计？首选是 R 中可用的解决方案，其次是 Python。
干杯，
亚伦
简而言之，我如何将机器学习工具应用于左删失回归数据，以获得对我的因变量和自变量之间关系的一致估计？
如果你能写出一个可能性并将符号翻转为负号，那么你就有了一个可用于许多机器学习模型的损失函数。在梯度提升中，这通常被称为模型提升。参见例如增强算法：正则化、预测和模型拟合。
作为 Tobit 模型的示例，请参阅Gradient Tree Boosted Tobit Models for Default Prediction论文。该方法应该可以与论文中提到的 scikit-learn 分支一起使用。
相同的想法用于右删失数据，例如，R 中的gbm和mboost包用于右删失数据。
上述想法可以应用于其他方法（例如，神经网络）。但是，使用梯度提升特别容易，因为您只需要能够计算损失函数的梯度（负对数似然）。然后你可以应用你喜欢的任何方法来拟合负梯度损失。