所以，我一直在尝试实现我的第一个算法来预测单个产品的（销售额/月），我一直在使用线性回归，因为这是向我推荐的。我使用过去 42 个月的数据，前 34 个月作为训练集，其余 8 个月作为验证。
我一直在尝试使用 4 个功能来开始：
以下是比较真实数据 x 预测数据和错误 x 元素数量图表的图像：
到目前为止结果一点都不好（如上图所示），算法甚至无法正确地得到训练集。我尝试使用更高次的多项式和正则化参数，这似乎使情况变得更糟。
然后，我想知道是否有更好的方法来解决这个问题，或者我可以做些什么来提高性能。
提前非常感谢！
根据您提供的信息。我假设您已经执行了多重线性回归，即要预测的多个特征和一个响应特征。
首先，将 PCA 应用于除您要预测的响应变量之外的所有特征。在您的情况下，您提到的四个功能。然后使用 PCA 将其转换为 2 分量矩阵。完成该图后，您形成的新矩阵将响应特征作为散点图。因此有效地形成了 3D 散点图。
当您生成此散点图时，您将能够更好地可视化您必须使用的回归。你可以自己决定它是否是线性的。取决于您对多少异常值感到满意。
根据我在您的图表中看到的数据，这是一个时间序列建模问题，像 ARIMA（自回归综合移动模型平均值）这样的模型会更合适。
既然你提到你正在开始（你现在可能已经做了很多），这里有一个 Jason Brownlee 博士关于在 Python 上实现 ARIMA 的教程： ARIMA for time series forecasting with Python。这适用于样本预测，您想要预测已经必须测试模型的值。
对于样本外预测，请参阅：使用 Python 进行预测的时间序列 ARIMA 模型