神经网络可以用来预测某一时间标记中的集合吗？

Question

我有一个市场交易数据集，包括时间戳和货物如下。

约翰总是在超市买牛奶和面包。除此之外，他还购买了如下商品：

• 周一，约翰买了牛奶，面包(啤酒，巧克力)。
• 星期二，约翰买了牛奶，面包{土豆}。
• 星期三，约翰买了牛奶，面包(巧克力，鳄梨，花生)。

我们能否回答这个问题：“他星期四买什么？”

例如:他星期四除了买牛奶和面包外，还会买啤酒、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货物？

Answer 1

如果我正确理解了你的问题，那就是多标签分类。

您有一些输入特性(一周中的一天，HasBoughtMilk HasBoughtBread等)。你想要预测其他几个标签(啤酒，阿沃卡多)的基础上。您可以轻松地使用sklearn完成此操作，它支持多标签分类。

如果您想考虑前几天购买的东西(因为它可能会影响您的标签)，您可以通过以下两种方式进行：

1)添加一些合成特性，比如显示“本周已经有HasBoughtBread”的二进制文件，或者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。在决策树中，您试图表达的推理规则非常适合。随机森林将为您提供一个灵活的模型和快速的训练。

当然，这不是唯一的方法，您可以使用SVMs或一些深入的学习，如RNN，但它感觉就像使用火箭筒为我拍苍蝇。

干杯,

昆廷

Answer 3

这取决于你试图建模的实际因素。有些物品相互依赖吗？数据中是否存在一个实际的时间元素，还是我们只是局限于推断它呢？

假设你有一个时间元素，你肯定会想要一些时间序列分析，一个购买顺序，也许有实际的时间滞后。例如，如果有一天约翰不去商店，他的购物会怎么样？我们需要知道买一些东西多久一次吗？一种产品的购买是加速还是延迟另一种？

这些考虑建议要么是对数据进行预处理(对于时间延迟)，要么是RNN、LSTM，或者某种q-净延迟。朴素的贝叶斯或随机森林可能会有所帮助，但你仍然需要先对时间关系进行预处理。