Riassunto analitico
Nel contesto aziendale, la gestione delle sfide, legate alla capacità di effettuare previsioni accurate, rappresenta un compito di fondamentale importanza. Questa attività, infatti, riveste un ruolo centrale, poiché costituisce un potente strumento di pianificazione e di decision-making, che permette di anticipare le tendenze future basandosi sui dati storici.
Risulta, quindi, necessario fornire alle aziende strumenti sofisticati, che siano in grado di ridurre drasticamente l’incertezza delle previsioni. Per raggiungere questo obiettivo, si fa spesso ricorso all'utilizzo di algoritmi di regressione. L’implementazione di questi algoritmi permette, infatti, di superare quello che è l'ostacolo principale nell’analisi e nella previsione dei dati, ovvero, l’identificazione delle relazioni più o meno evidenti presenti tra le variabili osservate.
Questa tesi mira ad esplorare in maniera approfondita alcune delle principali tecniche di regressione utilizzate nell’analisi e nella previsione delle serie temporali, con particolare focus sul settore del caffè.
Inizialmente verrà eseguita un’analisi esplorativa dei dati, al fine di evidenziare le caratteristiche salienti e i pattern intrinseci. Una volta completata l’analisi esplorativa, verrà utilizzato il PLS Toolbox di MATLAB allo scopo di implementare tre diverse tecniche di regressione: Partial Least Squares (PLS), regressione multilineare e XGBoost. Per ciascuna delle tre tecniche, verrà proposta un’approfondita presentazione teorica, illustrando le caratteristiche chiave e le metodologie di applicazione specifiche. In seguito, ciascuna tecnica verrà utilizzata per analizzare il dataset del caffè, al fine di valutarne la performance nella previsione dei prezzi futuri.
|
