预测某一时间戳集的神经网络

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。

我应该用哪一种？监督或不受监督。

在这种情况下，我可以使用哪种模型来预测一组货物？

Answer 1

由于您手上有一个事务数据集，我们在这里讨论的是明确的监督学习。虽然你当然可以尝试使用神经网络，但我认为，一旦你看到简单的算法失败了，你就应该开始使用更简单、更昂贵的算法(这通常是个好主意)。

现在形成你所描述的，你有一些时间序列数据，有一个分类的数量，你想要预测，你需要一些修改的ARMA模型。你可以为你感兴趣的每一种商品(如啤酒、巧克力、土豆等)建立一个逻辑回归模型。这将预测他是否会购买该产品。输入到模型中的变量是一组二进制观察，描述他是否在一天前、一周前、四周前购买了该产品，等等。玩那些滞后的游戏。物流回归的好处是，你马上就会看到购买的时间是多少。如果你看到一个星期前变量的系数很大，你知道他每周吃鳄梨等等。请注意，如果每周购买一些东西，它也每四周购买一次，因此您将遇到一些相关问题。

如果你没有正确的预测，你可以尝试不同的模型，例如树木或集合方法，如随机森林或增强树木。如果这些方法也不起作用，你可能会有一个没有明显周期性的时间序列。在这种情况下，您可以尝试以不同的方式设置变量，例如，使用他购买产品后的天数。

最后一个建议是:你可能需要检查购物之间的相关性。也许他会一起买鳄梨，西红柿和洋葱来做美味的鳄梨酱。如果他有一些洋葱剩菜，他可能会倾向于购买更多的鳄梨等。