企业所得税是企业经营过程中的一项重点关注内容，分析企业所得税的影响因素，预测未来两年有效的企业所得税，为未来企业发展提供指导依据，在企业经营过程中有重大意义。现有某企业2004年至2015年相关的数据，希望以此为基础，预测2016年及2017年的企业所得税。
步骤
1、获取数据；
2、相关性分析；
3、Lasso特征选择；
4、单个特征灰色预测；
5、SVR预测2016年及2017年企业所得税，并对模型进行评价。
NO.1 获取数据
考虑数据的可得性和与实际情况的关联性，选取2004年-2015年某企业相关维度的数据，具体字段名及说明如下表：
NO.2 分析企业所得税数据的相关性
从已有数据，可知道共有10个因素会影响企业所得税，需要计算各影响因素与目标特征之间的相关系数，进而判断企业所得税与选取特征之间的相关性。这里，我们计算10个特征间的Pearson相关系数，结果如下：
由上可知，x6与企业所得税（y）呈负相关关系，其余特征均与y呈正相关关系，且各个特征间存在严重的多重共线性，如x1，x2，x3，x4，x7，x8，x10。因此，需要对这些特征进行进一步筛选，避免信息重复。
NO.3 用Lasso回归选取关键特征
Lasso回归方法属于正则化方法的一种，是一种收缩估计方法，它可以将特征的系数进行压缩并使某些回归系数变为0，从而达到特征选择的目的。Lasso对数据类型没有太多限制，一般不需要对数据进行标准化处理，可以有效的解决多重共线性问题，但它倾向于选择多个特征中的一个特征，会导致结果的不稳定性。本例中，多重共线性的问题较为严重，因此使用Lasso进行特征选择是一个恰当的方法。
根据上图的结果，Lasso识别的影响企业所得税因素为x1，x9，x2。
NO.4 用灰色预测得到单特征预测值
因为各因素没有2016年、2017年的数据，因此我们需要先通过灰色预测得到单个特征在2016年、2017年的值。灰色预测是一种对含有不确定因素的系统进行预测的方法，具有预测精度高、模型可检验、参数估计方法简单的特点，但对序列的光滑度要求较高。灰色预测通过后验差检验判别模型精度，结果参照表如下：
通过GM方法进行灰色预测，x1、x2、x3的后验差检验结果及在2016年、2017年的预测值如下：
NO.5 用SVR构建预测模型
SVR（支持向量回归）不仅适用于线性模型，也能很好的抓住数据和特征之间的非线性关系，可避免局部最小问题，但计算复杂度较高，数据量大时，耗时较长。模型预测后，可通过R2值来判断模型效果，R2越接近1，表示模型拟合效果越好。
实现代码
点击原文（商业分析python实战（一）：企业所得税预测）后台回复“企业”可得本例数据及代码。
参考内容：
1、《R语言商务数据分析实战》
网友评论