机器学习预测产品购买的模型

Question

我有这个用例，想要围绕它构建一个ML模型。 根据购买历史记录，我必须预测用户是否会购买产品。

产品具有以下属性：

• ItemCategory：例如：鞋子，配饰，珠宝
• 颜色：例如：黑色，红色
• PriceBucket：例如：500-1000,1000-1500

用户对每种颜色，priceBucket，Itemcategory都有一些喜欢 例如：用户u1喜欢黑色30％，红色20％，鞋子喜欢10％。 此％权益是根据用户的购买历史计算的。

现在假设我们在所有产品中匹配用户u1的个人资料，我们必须预测用户是否会购买该产品。

       ItemCategory     PriceBucket  Color  Buy      
item1   30%               20%         10%   1
item2   20%               15%         30%   0   
item3   10%               50%         40%   1 

买1/0表示用户是否实际购买过此商品。

我尝试使用tensorFlow的LinearClassifier，但精度非常低。 请建议在这里使用什么型号。

Answer 1

准确度较低的原因很多。 我建议你在将数据输入线性回归模型之前先做一些预处理步骤。

由于您的数据中只有3个维度/功能，因此您无法从中获取更多信息。您的模型极有可能过度适应/不适应这三个类别中的任何一个特征。如果有的话，尝试添加更多功能，或者增加训练样本的数量，但由于维度较低，仍然可以获得不错的结果。

尝试使用其他整体模型进行一些实验，如决策树分类器，高斯朴素贝叶斯，梯度增强分类器，SVM，随机森林，K近邻，并执行交叉验证以评估每个分类器的性能。

Answer 2

准确度低的原因之一可能是数据集不平衡，即买入值（0,1）的比率大于2.如果是这种情况，请使用简单的技术，例如欠采样然后尝试不同的分类模型就可以了。在你的情况下，随机森林可能会做得很好;玩弄参数以避免过度/过度拟合。