我对市场购物篮分析/推荐算法有疑问。使用Python，我为我爸爸的商店创建了一个非常基本的推荐算法（如果你甚至可以称之为）。基本上，它需要购买物品X和Y作为购买物品X和其他任何东西的百分比。 （根据我的理解，这是Jaccard Index的想法）我试图模仿像亚马逊这样的大商店用“看过这个项目的顾客也买了”的功能。
我的问题是我不知道如何滤除所有的噪音。例如，很多人买香蕉。所以香蕉总是表现为其他物品的“高可能性”，即使它与一种有趣的方式无关。是否有其他基本统计技术来过滤掉常用的商品？我目前的技术减轻了影响，但仍然存在。
谢谢！
答案 0 :(得分：0)
您在询问Collaborative Filtering。一种方法是训练neural network，通常有一个隐藏层 1 ，输入层和输出层将为您的商店中的每个项目都有一个perceptron。用人喜欢的产品喂它，这将导致该用户喜欢的每件物品的可能性（或分类，取决于你训练你的网络的方式）。
然后使用back-propogation algorithm
这种方法并不是试图找到一个和你相似的人。 - 而是为用户构建配置文件，并根据此配置文件建议项目。
由于您使用的是python，因此可以使用scikit-learn并使用这些算法的现有实现
还存在更先进的机制，总的来说 - 这个研究领域不断发展。 Netflix Prize challenge围绕同一主题展开。
（1）隐藏层代表分类 - 例如食物，工具，书籍......但是，算法会为您找到一些分类，您需要做的就是在网络中告诉您需要多少类别建筑。拥有多个隐藏图层可以表示子类别。