在这种情况下，什么类型的机器学习技术使用？

Question

我发现了以下问题：

我做了以下预先假设，我想如果有人能帮我看看他们是对还是错：

• 我认为有必要对数据进行预处理，因为价格和数量可以是不同的比例，例如：每种糖果的售价，以千美元计，以吨或其他公制单位计量。

• 乍一看，我可以看到可以使用神经网络技术，多层nn可能使用反向传播算法。输入数据可以是十年来我们销售的价格，每种糖果的销售数量以及竞争对手销售的价格;输出的三个神经元，每个神经元代表每种糖果的销售量。

• 我不确定是否可以使用线性回归技术，因为数据可能没有线性特征，而某些功能会使我的预测模型无效。

• 可以使用逻辑回归，我建议在这种情况下可以使用one vs all的模型，因为我们将有三个输出，每个类型的糖果各一个。投入可以是竞争对手每种类型糖果的销售价格，我们销售的数量和我们销售的价格（全部超过十年）。

除了注意：我还可以使用过去2年市场上糖果的数量作为输入，但在这里我将不得不重新调整它，因为我使用了10年的时间段。

• 聚类？我不知道如何在这里使用它。

任何帮助？

Answer 1

似乎是一个多项选择题（＆＃34;以下哪个......算法......？＆＃34;），但你没有明确地告诉我们什么这些替代品都是。

在没有更多信息的情况下真的无法说出来，但这里有一些想法。

他们要求数字结果=＆gt;这是一个回归问题。

他们不是要求概率或相对优势：=＆gt;不是逻辑回归问题（无论如何都用于分类/分类响应变量）。我认为，虽然有一些假设+数据处理，你可以将它视为回归问题。

此处线性回归似乎很好，尽管某些属性（caketype）是名义/分类。大多数统计软件包的线性模型函数可以解决这个问题。

fit = lm（q~price + price_of_competitors + year | caketype）

没有群集。没有神经网络。

也许可以使用NN，但它更像是一个黑盒子（应用logit功能）给我。它似乎不是正确的工具，因为这是价格p和数量之间的简单线性关系的问题。