如何通过机器学习预测员工任务 End_Date

Question

如何预测下面以及哪种算法最适合。

员工有工作活动开始日期和结束日期（列）。 工作表几乎没有其他列，例如 Work_Complexity (High & Low) ，没有。每个活动的子任务。

如何预测 Start_Date 的 Work Activity End_Date？必须使用哪种 ML 算法？

这可以被认为是一个现实的用例吗？

谢谢！！！

Answer 1

是的，这是一个实际的用例。

如果您有一个带标签的数据意味着，您有一个工作表，其中员工开始日期和结束日期是已知的现有任务，现在您想预测任何新任务的结束日期，您可以使用具有多个变量的线性回归。 有关具有多个变量的线性回归的更多信息，请通过此链接： https://www.investopedia.com/terms/m/mlr.asp

无论如何，不​​要对那个理论感到困惑。简单来说，线性回归是一种对变量（列）之间的关系进行建模的方法。具有一个变量的线性回归意味着，您试图仅使用一个变量（列）来预测结束日期，即在您的情况下为开始日期。如果您想使用多个变量（列）来预测结束日期，即开始日期、任务复杂性、子任务等；您必须使用具有多个变量的线性回归。我正在使用房价预测模型。

下面是使用python实现一个变量的线性回归，我们将只使用一个变量来预测房价：

import pandas as pd  #used for uploading your datasets #you have to import machine learning libraries
import numpy as np   #for array
from sklearn import linear_model  #for prediction

df = pd.read_csv('/content/MLPractical2 - Sheet1.csv')  #you need to upload your file
df

输出：我上传的文件，包含以下数据

面积 ||价格

2600 || 555000

3000 || 565000

3200 || 610000

3600 || 680000

4000 || 725000

让我们预测3601区的房价：

reg = linear_model.LinearRegression()
reg.fit(df[['Area']], df.Price)
reg.predict([[3601]])

输出：数组（[669653.42465753]）

我们仅根据一个变量（列）即面积来预测价格

正如您在我上传的文件中看到的那样，面积为 3600 的房屋价格为 680000，我们的算法预测的面积为 3601 的价格为 669653.42465753，非常接近。

让我们看一下使用python实现多变量线性回归；我们将使用多个变量来预测我们的房价

import pandas as pd                  #same as above
import numpy as np
from sklearn import linear_model
df = pd.read_csv('/content/ML_Sheet_2.csv')
df

输出：我在这种情况下上传的文件包含以下数据

面积 ||卧室 ||年龄 ||价格

2600 || 3.0 || 20 || 550000

3000 || 4.0 || 15 || 565000

3200 ||3.0 ||18 || 610000

3600 || 3.0 || 30 || 595000

4000 || 5.0 || 8 || 760000

我们来预测一下3500区3房10年的房价

reg = linear_model.LinearRegression()
reg.fit(df[['Area', 'Bedroooms', 'Age']], df.Price)
reg.predict([[3500, 3, 10]])

输出：数组（[717775]）

我们根据三个变量来预测房价，即面积、卧室数量和房屋年龄。

正如您在我上传的文件中看到的那样，面积为 3200、3 间卧室和 18 年的房屋价格为 610000，我们的算法预测的价格为 3500 区（超过 3200）、3 间卧室和 10岁是 717775，这是非常接近且可以理解的，因为我们预测的房屋面积大于 3200，年龄小于 18 岁（新房价格更高）。

同样，您也可以准备一份现有数据的 Excel 表格，并将其保存为 .csv 格式，然后像我一样继续进行。我正在使用 google colab 编写代码；我更喜欢你使用相同的：

https://colab.research.google.com/notebooks/intro.ipynb#recent=true

希望对您有所帮助！