421 570
строк в таблице продаж.
ROWS421K+
MODELCatBoost
TASKForecast
01
О проекте
Задача проекта — прогнозировать объём продаж товаров на будущие периоды, используя исторические продажи и производные временные признаки.
Фокус сделан на практическом ML-пайплайне: подготовка временных данных, feature engineering, обучение модели и оценка ошибки прогноза.
02
Данные
2023–2025
исторический период данных.
Sales
целевая величина — объём продаж.
03
Feature Engineering
Calendar
Из даты извлекаются день недели, месяц, неделя и другие календарные признаки.
Lags
История продаж используется через лаговые признаки и скользящие статистики.
Aggregations
Производные признаки помогают модели учитывать локальную динамику спроса.
04
Model Development
CatBoostRegressor
Основной алгоритм для моделирования нелинейных зависимостей.
Time Split
Разделение данных учитывает временную структуру задачи.
Evaluation
Качество оценивается на отложенном временном периоде.
05
Pipeline
01DataПродажи
02FeaturesLag + calendar
03TrainCatBoostRegressor
04PredictFuture horizon
05EvaluateForecast error
06
Result
Построен end-to-end pipeline прогнозирования спроса: от подготовки исторических данных и временных признаков до обучения CatBoostRegressor и проверки качества на отложенном периоде.
07
Technology Stack
08