📦 库存优化的机器学习实战课

第四讲 · 机器学习概述 & 核心评估指标

🎯 监督学习 · 无监督学习 · 强化学习 — 回归与分类问题，以及模型评估指标 MAE / MSE / RMSE。用中小学生色系点亮机器学习！

🧠 监督 / 无监督 / 强化学习 三种核心范式

📌 监督学习

  • 有标签 数据训练
  • 预测库存需求 (回归)
  • 缺货/过剩分类 (分类)
  • 库存量预测 SKU分类

✔ 常用算法：线性回归、随机森林、XGBoost

🔍 无监督学习

  • 无标签 发现隐藏模式
  • 库存商品聚类 (ABC分析)
  • 异常检测 (供应链异常)
  • 客户分群 异常订单

✔ K-Means, DBSCAN, PCA

🤖 强化学习

  • 智能体 与环境交互
  • 动态库存补货决策
  • 奖励函数：缺货成本 vs 持有成本
  • 动态定价 仓储机器人

✔ Q-learning, DQN, 策略梯度

📊 监督学习 历史需求 + 标签 → 预测未来库存 回归 / 分类 🧩 无监督学习 无标签库存数据 → 聚类 / 异常检测 ABC分析 · 离群点 ⚡ 强化学习 智能体 · 库存环境 → 补货策略优化 奖励：成本最小化
📈 回归 vs 分类 库存中的典型问题

📉 回归 (Regression)

预测连续数值 — 例如下周的库存需求量、最佳订货量。

  • 📦 预测安全库存水平
  • 📆 时间序列需求预测
  • 🧮 输出：实数 (如 1527 件)

MAE MSE RMSE 常用评估

🏷️ 分类 (Classification)

预测离散类别 — 例如库存是否会缺货？SKU属于高/中/低周转？

  • ⚠️ 缺货预警 (是/否)
  • 📊 ABC分类 (A/B/C)
  • 🎯 输出：类别标签

准确率 F1-score 混淆矩阵

📏 模型评估指标 MAE · MSE · RMSE

🎯 回归任务最常用的三个指标，衡量预测值 ŷ 与真实值 y 的偏差。

指标 全称 公式 库存含义
MAE 平均误差 \(\frac{1}{n}\sum_{i=1}^{n} |y_i - \hat{y}_i|\) 平均预测偏差 (单位: 件)
MSE 均方误差 \(\frac{1}{n}\sum_{i=1}^{n} (y_i - \hat{y}_i)^2\) 大误差惩罚更重 (平方)
RMSE 均方根误差 \(\sqrt{\frac{1}{n}\sum_{i=1}^{n} (y_i - \hat{y}_i)^2}\) 与原始单位一致，更直观

🧮 指标选择建议

  • MAE 对异常值不敏感，稳健
  • MSE 放大较大误差，适合避免大偏差
  • RMSE 最常用，量纲一致

🐍 Python 快速计算

from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np

y_true = [120, 150, 135, 210]
y_pred = [118, 148, 138, 205]

mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
rmse = np.sqrt(mse)

print(f"MAE : {mae:.2f} 件")
print(f"MSE : {mse:.2f} 件²")
print(f"RMSE: {rmse:.2f} 件")
MAE 平均偏差 2.3 件 MSE 平方误差 8.7 件² RMSE 均方根 2.95 件

📌 课程小结 — 监督学习用标签预测库存；无监督学习发现结构；强化学习动态决策。回归与分类覆盖大部分库存场景，MAE/MSE/RMSE 是评估预测精度的黄金指标。

🧾 课程资料