Wie verwende ich die MySQL-Datenbank für Vorhersagen und prädiktive Analysen?
Überblick:
Prognosen und Predictive Analytics spielen eine wichtige Rolle in der Datenanalyse. MySQL, ein weit verbreitetes relationales Datenbankverwaltungssystem, kann auch für Vorhersage- und prädiktive Analyseaufgaben verwendet werden. In diesem Artikel wird die Verwendung von MySQL für Vorhersagen und Vorhersageanalysen vorgestellt und relevante Codebeispiele bereitgestellt.
CREATE TABLE sales ( id INT AUTO_INCREMENT PRIMARY KEY, date DATE, product_name VARCHAR(255), quantity INT, price DECIMAL(10,2) );
Als nächstes können wir einige Beispieldaten in die Tabelle einfügen:
INSERT INTO sales (date, product_name, quantity, price) VALUES ('2020-01-01', 'product1', 100, 10.99), ('2020-01-02', 'product2', 200, 20.99), ('2020-01-03', 'product3', 300, 30.99), ('2020-01-04', 'product4', 400, 40.99), ('2020-01-05', 'product5', 500, 50.99);
Zuerst müssen wir eine Tabelle erstellen, um die Koeffizienten und Achsenabschnitte des Regressionsmodells zu speichern:
CREATE TABLE sales_regression ( id INT AUTO_INCREMENT PRIMARY KEY, coefficient DECIMAL(10,2), intercept DECIMAL(10,2) );
Dann können wir die folgende SQL-Anweisung verwenden, um lineare Regressionsberechnungen durchzuführen und die Ergebnisse in der Tabelle zu speichern:
INSERT INTO sales_regression (coefficient, intercept) SELECT (n * SUM(x * y) - SUM(x) * SUM(y)) / (n * SUM(x * x) - SUM(x) * SUM(x)), (SUM(y) - (n * SUM(x * y) - SUM(x) * SUM(y)) / (n * SUM(x * x) - SUM(x) * SUM(x)) * SUM(x)) / n FROM ( SELECT @row_number := @row_number + 1 AS n, quantity AS x, price AS y FROM sales, (SELECT @row_number := 0) AS t ORDER BY date ) AS t;
Jetzt haben wir die Koeffizienten und Achsenabschnitte des linearen Regressionsmodells erhalten. Anhand dieser Werte können wir Umsatzprognosen erstellen. Beispielsweise können wir die folgende SQL-Anweisung verwenden, um Verkäufe für einen bestimmten Tag vorherzusagen:
SELECT '2020-01-06' AS date, coefficient * 600 + intercept AS predicted_sales FROM sales_regression;
Angenommen, wir möchten die Methode des gleitenden Durchschnitts für die Umsatzprognose verwenden. Wir können den gleitenden Durchschnittsumsatz mithilfe der folgenden SQL-Anweisung berechnen:
SELECT date, AVG(price) OVER (ORDER BY date ROWS BETWEEN 2 PRECEDING AND CURRENT ROW) AS moving_average FROM sales;
Referenz:
Das obige ist der detaillierte Inhalt vonWie verwende ich die MySQL-Datenbank für Prognosen und prädiktive Analysen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!