在项目数量很少的情况下，将问题转化为分类问题将是最方便的解决方案。将每个项目用作特征，将类别用作概念。现在您可以应用@OvisAmmon 推荐的方法或其他分类方法。

但是，通常在购物篮分析中，商品很多，每个用户购买的商品很少。这导致了一个非常稀疏的矩阵，并且大多数分类方法都存在处理它们的问题。

分析购物篮数据的常用方法是使用 关联规则，该规则通过首先定位频繁项集来实现。

您可以通过以下方式使用订单关联规则来学习购物篮：

• 为每个班级添加项目
• 将所有者类添加到其购物篮中（例如，将学生的 {milk, beer} 购物篮转换为购物篮 {mlik, beer, student}
• 使用频繁项集算法找到它们
• 删除所有没有类成员的频繁项集。这样的集合不能帮助推断类。
• 从频繁项目集中找到暗示类的规则（有足够好的支持和信心
• 使用这些匹配篮子的规则来预测类别

你应该注意几点：

一些具有不同含义的关联规则可能适用于同一个篮子。你可能有规则牛奶 -> X 和啤酒 -Y 和篮子 {牛奶，啤酒}。如果集合 {milk, beer} 足够频繁，您可能有专门针对它的规则。否则，您将需要满足规则才能以规则为基础。这样的规则可能会采用具有最高置信度或最可能类别的规则。

关联规则仅基于 item 的存在，而不是基于 item 的缺失。如果学生从不买纸尿裤，你就找不到这样的关联规则。您可以将“无尿布”作为一项添加到您的数据集中，但这会将其从稀疏变为完整，并且存储可能不可行。

关联规则的复杂性是指数级的。这很简单，因为它自身的输出是指数的，当您在数据中有一个Clique时可以注意到这一点。通常人们不会因为这个问题而试图找到所有的关联规则，这是实际的做法。但是，这意味着您的数据中可能存在您找不到的关联规则。

您正在研究 s 分类任务，其中左侧的文本（如 Student 等）是目标类，而购物清单是几乎现成的特征列表 - 您将在其上学习分类模型的变量。虽然您应该总体上研究分类算法系列，但您可能使用的大多数基本算法是：

• 朴素贝叶斯分类器
• 支持向量机分类器

第一个的实现非常简单，您可以立即用几乎任何语言对其进行编码，以吹扫编码技能的灰尘，而更复杂的算法通常有许多实现，您应该根据您的语言来寻找选择。