由于我做的是產品報價，要的是對產品價格的一個預測，對應的是回歸任務，基線模型得從適合處理回歸任務的算法模型里找，然后就去deepseek去搜了一下，發現回歸任務的常見算法和應用場景有：

1. 線性回歸【二元線性回歸和多元線性回歸】，比如說，二元線性回歸有：預測房價y基于房屋面積x。多元線性回歸：預測房價y基于房屋面積x和房屋地段z。
   2.多項式回歸：
   3.決策樹回歸：預測銷售額y基于歷史數據（a，b，c，d...）
   4.隨機森林回歸：查了一下，隨機森林是一個集成學習算法，說要構建多顆決策樹并平均他們的預測結果來提高準確率？？？？
   5：支持向量機回歸：
   6：神經網絡回歸：處理復雜非線性關系

總結：太多了，不懂啥意思，于是我又看了看昨天找的那個項目——《基于機器學習與深度學習的貸款批準預測》

項目地址：https://www.heywhale.com/mw/project/670f61d10ebb9f7a69c5144c

他的項目思路是：
1.他的數據來源是某場競賽數據；
2.對數據進行一致性檢驗：對數據進行了KS檢驗和卡方檢驗，主要目的是發現數據中的不一致、矛盾點，比如產品價格是十萬，產品價格比產品成本還低等等。然后他會這些不一致的矛盾數據進行處理。處理方法好像有正則法，這塊還得再看看，看他用沒用數據處理方法，還是說，KS檢驗和卡方檢驗完成后，他不一致的數據會自動處理
3.對貸款批準的影響因素進行分析。他用到了斯皮爾曼相關性分析和卡方檢驗。
4.重點在這里。他用了四個處理回歸任務的算法模型：邏輯回歸、隨機森林、多層感知機、深度神經網絡。這幾個算法模型都能用來處理回歸任務。他選的是深度神經網絡模型，他得出的結論是：各個模型的預測結果都不錯，通過SHAP值分析，發現深度神經網絡中，重要的特征因素是貸款信用等級、借款人年收入、貸款的利率。

    我要參考他的思路的話，我直接選深度神經網絡模型，然后和其他三個模型的預測結果做對比，說明我的準確率F1值比他們高。當然，這是個大致思路，我看不同模型，他們不都是用F1值。另外，我覺得直接用深度神經網絡模型還不行，還得在深度神經網絡模型基礎上，加一些別的算法，對他進行優化，比如優化他的過擬合問題等等。

• [百科]
  1.線性回歸算法——是一種統計方法，用于建模和分析兩個或多個變量之間的線性關系。它通過擬合一條直線（或超平面）來預測因變量（目標變量）與一個或多個自變量（特征）之間的關系。
  

2.多層感知機（Multilayer Perceptron, MLP）是一種前饋人工神經網絡（Feedforward Artificial Neural Network），由多個神經元層組成，能夠處理復雜的非線性關系。它是深度學習的基礎模型之一，廣泛應用于分類和回歸任務。

3.SHAP值的作用：
判斷特征重要性：通過SHAP值的絕對值大小，評估每個特征對模型預測的總體貢獻。本文作者通過SHAP值分析，發現深度神經網絡中，重要的特征因素是貸款信用等級、借款人年收入、貸款的利率。
判斷特征交互作用：分析特征之間的交互作用，理解他們如何共同影響預測。這一點可以用在我的報價模型里，去判斷匯率、國際事件、原材料市場價、運費等因素，他們之間有沒有相互作用影響。