什么类型的机器学习技术在这种情况下使用？

Question

我发现以下问题：

我已经做了以下预假设，我想，如果有人能帮助我，看看他们是对还是错：

• 我相信有必要对数据进行预处理，因为价格和数量可以在不同的范围内，例如每千美元售出的每种糖果的价格以及吨数或其他公制单位的数量。

• 乍一看，我可以看到有可能使用神经网络技术，多层nn可能带有反向传播算法。投入可以是从我们售出的价格，我们出售的每种糖果的数量和竞争对手出售的价格十年中获得的数据;每个输出的三个神经元代表每种类型的糖果要销售的数量。

• 我不确定我是否可以使用线性回归技术，因为可能数据不具有线性特征，某些功能会使我的预测模型无效。

• 逻辑回归可以使用，我建议可以使用一个vs全部的模型来处理这种情况，因为我们将有三个输出，每种类型的糖果都有一个输出。投入可以是竞争者每种类型糖果的销售价格，我们销售的数量以及我们销售的价格（全部为十年）。

除了注意：我还可以用作为输入那是在市场在过去2年糖果的数量，但在这里我将不得不重新调整它，因为我用的是10年的时间段。

• 集群？我不知道如何在这里使用它。

任何帮助？

Answer 1

似乎是一个多项选择问题（“以下哪种算法...？”），但您不明确告诉我们这些替代方案是什么。

真的不能没有更多的信息，但这里有一些想法。

他们要求数值结果=>这是一个回归问题。

他们没有要求概率或相对优势：>不是一个逻辑回归问题（无论如何都用于分类/分类响应变量）。尽管有一些假设+数据处理，你可以把它看作一个回归问题，我想。

线性回归在这里看起来不错，尽管一些属性（caketype）是名义/分类的。大多数统计软件包的线性模型函数可以处理这个问题。

适合= LM（Q〜价+ price_of_competitors +一年| caketype）

无群集。没有神经网络。

也许NN可以使用，但它更像是一个黑盒子（应用logit函数）给我。它似乎不适合这项工作，因为这是价格p和数量之间的简单线性关系的问题。