可以使用神经网络来预测特定时间戳中的集合

Question

我有一个市场交易数据集，包括时间戳和货物如下。

John总是在Super Market购买牛奶和面包。除此之外，他还购买了以下产品：

• 周一，约翰买了牛奶，面包{啤酒，巧克力}。
• 周二，约翰买了牛奶，面包{土豆}。
• 周三，约翰买了牛奶，面包{巧克力，牛油果，花生}。

我们能回答这个问题：“他星期四会买什么？”。

例如：他将在周四购买除啤酒和面包外的{啤酒，鳄梨}。

我认为这是一种多元回归。在这种情况下，我可以使用哪种模型来预测一组商品？

Answer 1

如果我正确理解您的问题，那么它就是多标签分类。

你有一些输入功能（dayofweek，HasBoughtMilk HasBoughtBread等）。而且你想要根据它们预测其他几个标签（啤酒，鳄梨）。您可以轻松地使用sklearn执行此操作，它支持多标记分类。

如果您想考虑前几天购买的产品（因为它可能会影响您的标签），您可以通过两种方式实现这一目标：

1）添加二进制文件等合成功能，这些功能已在本周显示“HasBoughtBread” 2）或使用擅长处理时间序列的RNN。

Answer 2

您所暴露的问题似乎是随机森林的教科书案例。您尝试表达的推理规则非常适合决策树。随机森林将为您提供灵活的模型，并快速培训。

当然这不是唯一的方法，你可以使用SVM或像RNN这样的深度学习，但感觉就像用火箭筒为我拍苍蝇一样。

干杯，

昆汀

Answer 3

这取决于您尝试建模的实际因素。某些物品是否相互依赖？数据中是否有实际的时间元素，或者我们只是习惯推断它？

假设你有一个时间元素，你肯定会想要一些时间序列分析顺序，一个购买顺序，也许是实际的时间滞后。例如，如果约翰有一天没有去商店，他的购买会怎样？我们需要了解一些东西被买的频率吗？一个产品购买是否会加速或推迟另一个？

这些注意事项建议预处理数据（时间滞后）或某种RNN，LSTM或Q-net延迟。朴素贝叶斯或随机森林可能会有所帮助，但你仍然需要先预先处理时间关系。