由于您手头有交易数据集，因此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，但我认为你应该从更简单的开始，一旦看到简单的算法失败（这通常是个好主意），就应该转向更复杂和成本更高的算法。

现在形成您所描述的内容，您有某种时间序列数据，以及您想要预测的分类数量，您将需要某种修改后的ARMA 模型. 您可以为您感兴趣的每种商品（即啤酒、巧克力、土豆等）设置逻辑回归，以预测他是否会购买该产品。您输入模型的变量是一组二元观察结果，描述他是否在一天前、一周前、四周前等购买了产品。玩弄这些滞后。这里关于逻辑回归的好处是您会立即看到购买的时间段。如果你看到一周前变量的系数很大，你就知道他每周都吃鳄梨，依此类推。请注意，如果某个东西是每周购买一次，那么它也是每四个星期购买一次，因此您会遇到一些相关性问题。

如果您没有得到不错的预测，您可以尝试不同的模型，例如树或集成方法，例如随机森林或增强树。如果这些也不起作用，您可能有一个没有明确周期性的时间序列。在这种情况下，您可以尝试以不同方式设置变量，例如使用他购买产品后的天数。

最后一句话：您可能想检查购买之间的相关性。也许他会一起购买鳄梨、番茄和洋葱来制作美味的鳄梨酱。如果他有一些剩余的洋葱，他可能会倾向于购买更多的鳄梨等等。