En jämförelsestudie mellan linjär regression och neurala nätverk för att estimera beställningskvantiteter av pulverblandningar

This degree project, conducted at Sandvik Coromant, aims to predict powder blend inventory needs based on order quantity prognoses that are made by customers. Two different machine learning approaches were used; linear regression and neural network regression. Since a majority of the samples consisted of prognoses that indicated that an order will be made without orders actually being placed, classification was applied on the entire dataset and regression on the samples with an order quantity above zero. This way, the regression model was not biased towards zero during training and gave more reasonable predictions for larger orders. Both automated feature engineering and manual feature engineering was performed in order to improve the results. It was concluded that the standard features combined with those generated by automated feature engineering performed best in the case of regression. Furthermore, a combination of standard, automated, and manual feature sets performed better for classification.Detta examensarbete, utfört på Sandvik Coromant, ämnar att förutse inventering för pulverblandningar genom att använda prognoser givna av kunder. Två olika maskininlärningsmetoder användes: linjär regression och regression i neurala nätverk. Eftersom majoriteten av datapunkter bestod av prognoser som indikerade att en beställning ska placeras utan att en beställning gjordes bestämdes att klassificering bör utföras på all data, medan modellen för regression enbart tränas på data där beställningar utförts. På detta sätt blev regressionsmodellen inte viktad mot nollvärden och estimering av större ordrar blev mer precis. Både automatisk feature engineering och manuell feature engineering utfördes för att förbättra resultaten. I fallet med regression drogs en slutsats att ursprungliga features tillsammans med de automatiskt genererade gav bäst resultat. För klassificeringen förbättrades resultatet ytterligare av att även lägga till manuella features