决策树在推荐系统中的应用

Question

我有一个在列(年龄，性别，时间，日期，视图，点击)上训练的决策树，它被分为两个类别-是或否-代表商品X的购买决策。使用这些值，我试图预测1000个样本(客户)的概率，这些样本看起来像('12'，‘男性’，'9:30'，‘星期一’，'10'，'3')，('50'，‘女性’，'10:40'，‘周日’，'50'，‘50’，‘50’，'6') ........我想要获得个人概率或得分，这将帮助我识别哪些客户最有可能购买项目X。因此，我希望能够对预测进行排序，并仅向5个想要购买项目X的客户显示特定项目。我如何实现这一点？决策树能达到这个目的吗？有没有其他方法？我是ML的新手，所以请原谅我的词汇错误。

Answer 1

使用具有小样本集的决策树，肯定会遇到过拟合问题。特别是在决策的较低级别，在树中，用于训练决策边界的数据将呈指数级减少。你的数据集应该有比类别数量多得多的样本，并且每个类别都有足够的样本。

说到决策边界，请确保您了解如何处理每个维度的数据类型。例如，“性别”是分类数据，其中“年龄”、“一天中的时间”等是实值输入(离散/连续)。因此，树的不同部分需要不同的公式。否则，你的模型最终可能会处理9:30，9:31，9:32...作为单独的类。

尝试其他一些算法，从简单的算法开始，比如k-近邻(KNN)。有一个验证集来测试每个算法。使用Matlab (或类似的软件)，您可以使用库快速尝试不同的方法，并查看哪种方法效果最好。这里没有足够的信息来向你推荐一些非常具体的东西。另外，

我建议你也试试KNN。KNN能够捕获数据中的亲和性。比方说，20岁左右的人在晚上点击产品页面大约5次后就会购买产品X。KNN将能够告诉您每个新客户与购买该项目的客户的距离有多近。在此基础上，您可以选择前5个。非常容易实现，并作为更复杂方法的基准。

(假设浏览量和点击量意味着每个客户对产品X的点击量和浏览量)

Answer 2

决策树是一个分类器，通常它不适合作为推荐系统的基础。但是，假设您只预测购买一件商品的可能性，而不是数万件，那么使用分类器是有意义的。

你只需给所有客户打分，并保留购买X的概率最高的5个客户，是的。这个问题还有什么要问的吗？