我是机器学习的新手。因此,如果问题不够聪明,请提前道歉。
我刚刚学完了线性回归。现在,我想将我的技能应用于一个示例电子商务数据。例如,我有一个客户在特定网站上的购买历史记录,如下所示:
Date product amount
2016-12-01 A 300
2016-16-01 B 500
2016-01-02 C 400
..............................
..............................
现在我可以通过拟合时间序列回归模型来预
我有以下模型:
case class Product(price:Int,distance:Int)
我有数据告诉我,如果距离是y (true/false),客户是否愿意以x的价格购买产品。
我在spark中使用了逻辑回归,现在可以预测(价格,距离)对。如果我现在想知道我可以为距离x收取的最高价格怎么办?
代码:
val products:List[(Product,Double)] = getProductVotes()
val points:List[LabeledPoints] = products.map{ case (product,vote) =>
Labe
我知道有很多ML产品可以帮助预测time to event。对于前任,客户将在今后30天内购买,或者病人有机会在今后60天内再入院等。
但是为什么你认为为什么人们不predict to the level of date呢?
例:对于前任,顾客将在2016年2月2日进行下一次购买,或者病人有机会在2018年3月23日重新收货。
不知道从普通外行的角度来看,我觉得约会可能更有用。当然,我们所有的预测都是基于置信区间的。
例句:如果我们知道课程结束的日期,我们可以相应地计划我们的时间表来完成其他的任务/注册新的课程等等。但是如果我们被告知你的课程可能在接下来的30/60/90天内结束,我们就有可能
我需要用最大值和来表示一个约束。我知道这不再是一个线性问题,但我希望有一种方法来伪造或近似它:
model = cp_model.CpModel()
foo = {x: model.NewBoolVar(f"var{x}") for x in range(1, 6)}
bar = {x: model.NewBoolVar(f"var{x}") for x in range(6, 11)}
model.Add(
sum(max(k * v for k, v in variables.items()) for variables in [foo, bar
我有两个不同的问题。一种是logistic回归,另一种是时间序列预测。但两者都受到数据问题的影响。
( a) logistic回归,我有10个观察数据集,其中包括年龄、Marital_Status、收入、性别和car_purchase_status (结果标志为Yes/No值)。现在我有了一个新的第11位客户,包括年龄、性别、Marital_Status和收入等变量。现在我想知道这个第11位顾客是否会买一辆车。我应该花资源来影响他买车吗?我是不是把我的资源花在合适的客户身上了?对于例:我是否可以发现,第11位客户有70%或80%的个人电脑购买汽车的机会。因此,花一些营销工作,如电话,可以帮助我