我有杂货店购物的购买历史数据。我试图在某些条件下获得异常频繁购买的物品。例如，当客户在线购物并愿意支付额外的运费时，我试图找到经常购买的商品。
为了找到在这种情况下特别（或异常）频繁购买的物品（通过支付运费通过在线商店），我应该如何以及使用什么机器学习算法来识别这些物品？
我找到arules了使用带有购买历史的关联规则的 R 包并尝试应用它。但似乎该软件包可能基于与我的想法不同的原理。
有人对我的问题有想法吗？如果有与问题相关的 R 包，那就完美了。
使用客户购买历史数据预测特定条件下经常购买的商品
人工智能
机器学习
无监督学习
学习算法
r
2021-10-20 13:30:15
1个回答
让我们从具体问题开始，然后讨论一般问题。
一个）
具体问题“通过支付运费找到通过在线商店购买的特别频繁的商品”需要很少或不需要应用人工智能，只需要一些统计数据。
该问题涉及“购买的物品”和“购买方法”，因此，我们有一个信息数据库，其中包含以下条目：
销售（在线，第 1 项）。
销售（商店，项目 2）。
销售（在线，第 2 项）。
销售（在线，第 2 项）。
...
（笔记记录可重复）
商品“X”的在线销售额百分比定义为该商品的在线销售额，sale(online,X)，占该商品的总销售额，sale(_,X)：
在前面的数据示例中，p(item1)=1/1，p(item2)=2/3。
高 p(X) 表示在线购物首选的商品。
可以为类似情况定义其他概率。
b)
关于一般情况，我们谈论的是数据挖掘。对他们来说是非常好的软件包（开源，...）：weka，IBM DWE，...。例如，在定义为的数据库上使用 Weka J48：
销售（购买标识符，购买方法，项目）
其中“purchase_identifier”必须对已在单次买断（现金票）中购买的项目进行分组。然后，J48 将提供以下回答规则：商品“foo”通常是在网上商店购买的，同时也购买了商品“bar”。