网站导航

数学桥梁

全文共 2268 字,阅读约需 5 分钟

数学桥梁:这是一门教程,不是专题文章集合。学习顺序是“读懂问题 → 手算 → 操作数据 → 检查 → 解释”。你只需要高一数学;复杂模型首先学会输入、输出、假设与验证,再决定是否继续深究算法。每次学习建议120分钟:阅读25分钟、手算20分钟、实验5

← 学习路线
课程目录与学习记录 0 / 109

学习进度仅存于本机浏览器。原教程站的记录不会跨域自动迁移;可先在原站导出留存,新站按实际完成情况重新勾选。

入门数据与作业包

禾味数据为 2 店 × 8 SKU × 180 天,共 2,880 行,是可见教学数据,不是封存盲测集。起步包是模拟夹具,不表示已完成六行业预测实验。资源中心另有四专项工程、模型实验和计划实验,使用前请阅读各自能力边界。

数学桥梁:先会算,再认识符号

这是一门教程,不是专题文章集合。学习顺序是“读懂问题 → 手算 → 操作数据 → 检查 → 解释”。你只需要高一数学;复杂模型首先学会输入、输出、假设与验证,再决定是否继续深究算法。每次学习建议120分钟:阅读25分钟、手算20分钟、实验50分钟、检查15分钟、记录10分钟。允许分两天完成,不以读完页面代替通过作业。

第一站:下标不是乘号,帽子表示预测

y₃表示第3天的实际需求,不是y乘3;本节以“件/日”为记录口径,每个y是某一天的需求件数。ŷ₃表示对第3天的预测,单位仍为件。ŷ(T+5|T)读作“站在T时点,对五天后的预测”。T是预测发起的日期,5是向前的天数;竖线右边说明我们站在哪里,左边说明要预测哪一天。若今天是11月6日,T+5就是11月11日。未来实际天气尚未知,预测时不能偷偷使用11日的观测温度。

特征是输入信息,例如价格、周几;参数是模型学出的规则,例如价格每增加1元,预测变化多少;目标是要预测的数量;序列键是区分门店和商品的编号。一个模型可以有很多参数却只预测一条序列,也可有多个类别输入而仍预测一个数,不能混称“多参数模型”。

第二站:求和、平均与权重

Σ读作“求和”,只是把指定的数字加起来。数据为10、12、14,Σy=10+12+14=36。n表示数字个数,这里n=3。平均值写作ȳ=Σy/n,因此36÷3=12。单位仍是件,而不是百分比。

加权平均=0.2×10+0.3×12+0.5×14=2+3.6+7=12.6。三个权重都不小于0,且0.2+0.3+0.5=1。因此结果在最小10和最大14之间。权重大意味着更重视,不代表数据更真实。只有用验证集比较后才能选权重,不能看测试结果后反复调整。

手算检查:把所有销量同时增加5,平均与加权平均都应增加5;把单位从件变成箱时,必须统一换算。

第三站:绝对值、平方与平方根

误差e=实际−预测。实际10、预测13时e=−3,负号代表高估。绝对值|e|=3,只问错多少;平方e²=9,大错受到更强惩罚。对误差−3、1,平均绝对误差MAE=(3+1)÷2=2件;均方根误差RMSE=√((9+1)÷2)=√5≈2.236件。√5表示“平方后等于5的非负数”,可用计算器开根号。

标准差描述数据围绕平均数的波动,与预测误差不是一回事。对10、12、14,均值12;偏离为−2、0、2;平方为4、0、4。把这三点当完整总体时,方差=(4+0+4)÷3=2.667件²,标准差=√2.667≈1.633件。用样本估计总体方差常除以n−1,这里是2,不是3。作业必须声明采用哪一种。

第四站:概率、条件概率与期望

概率是0到1之间的数。0.2就是20%,不是20。100个相似订单中平均约20个取消,不表示每批必定取消20个。若先有100单,第1天取消10单,剩90单;第2天又取消9单,那么第2天条件取消率是9÷90=10%,不是9÷100=9%。后者是对初始批次的事件占比。

上面的观测小表实际留下100−10−9=81单。若另把两个10%作为用于新批次的条件取消概率,那么新批次连续两天都留存的概率是0.9×0.9=0.81;对新的100单,期望留存为100×0.81=81单,但实际未必恰好81。这里第二个0.9是“已经活过第一天后”的留存概率,不需要假设两天取消事件独立。期望是多次重复的平均结果,可以是小数;不能把21.6件当作真实拣货指令。后续生存课会再说明发货、删失与这些概率估计的条件。

第五站:函数、指数、对数与logit

函数是“输入一个数,按规则输出一个数”。例如f(x)=2x+3,输入x=4得到11。x²是x乘自己,2³=2×2×2=8。对数问反问题:log₂8=3,因为2的3次方等于8。自然对数ln用约2.718的常数e作底,不必背常数的小数位,用计算器即可。ln(1)=0,ln(e)=1,ln只能输入正数,零销量不能直接取ln。

logit(p)=ln(p/(1−p)),其中p是无单位的概率,必须满足0<p<1。p=0或1时不能把它直接代入这条有限实数公式。p=0.5时,赔率p/(1−p)=0.5/0.5=1,对数为0;p=0.8时赔率=0.8/0.2=4,对数ln4约1.386。反过来,p=1/(1+exp(−z)),z是无单位分数,exp表示e的幂。z=0时p=1/(1+1)=0.5;z=ln4时exp(−z)=1/4,p=1/(1+1/4)=0.8。logistic模型用这条规则把任何有限实数z变成严格介于0和1之间的概率;它不是Cox模型的别名。链接函数定义可查statsmodels官方GLM说明。

这些是计算定义和教学演示,不是对真实供应链数据的结论。求和、均值预测、预测时点和误差评估可对照FPP3作者教材第5章;分类概率的评价另见scikit-learn官方指标说明。

第一份微型作业

建立math_checks.csv,包含actual、forecast、error、abs_error、squared_error五列。用实际[10,12,14]与预测[11,11,13],得到误差[−1,1,1],MAE=1,RMSE=1。再新增risk_start=100、cancel=10、remaining=90,手算风险率0.1。最后用一句话解释“预测15.2单为什么不是下达15.2单”。

验收:数值完全匹配;说明误差正负;能区分初始100单与剩余90单的分母;任何概率不超出[0,1]。都完成后,再进入第1阶段。

仅保存在本机当前浏览器,无账号云同步;清除浏览器数据会丢失。不自动认定你通过测试。建议先保留输出文件和计算过程。

所有数据、系数与业务场景均为教学模拟。预测不等于采购或排产指令。来源与修订说明。