Azure 根据当前日期和时间预测用户的下一个操作

我正在使用Microsoft Azure Machine Learning Studio尝试一个实验，在这个实验中，我使用以前捕获的关于用户的分析（在某个时间、某一天）来尝试和预测他们的下一个操作（基于日期和时间），以便我可以相应地调整UI。因此，如果用户通常在每周四下午1点访问某个页面，那么我想预测这种行为

警告-我是ML的完全新手，但已经看过不少视频，并完成了一些教程，如电影推荐示例

我有一个包含userid、action、datetime的csv数据集，我想训练一个火柴盒推荐模型，从我的研究来看，这是最好的模型。我看不到在培训中使用日期/时间的方法。这个想法是，如果我可以传递一个用户ID和日期，那么推荐模型应该能够给我一个用户最有可能做什么的结果

我从预测终点获得结果，但训练终点给出以下错误：

{
“错误”：{
“代码”：“ModuleExecutionError”，
“消息”：“模块执行遇到错误。”，
“详情”：[
{
“代码”：“18”，
“目标”：“火车火柴盒推荐人”，
“消息”：“错误0018:用户项目评级三元组的培训数据集包含无效数据。”
}
]
}
}

因此，我想我暂时不去想这件事，也许可以看出问题的症结所在。我认为火车火柴盒推荐器的前三个输入需要填写，以便准确预测。我还将包括推荐餐厅的样本截图

第一个输入是由用户、项目和评级组成的数据集。

第二个输入是每个用户的功能。

第三个输入是每个功能的功能（本例中为餐厅）。

因此，为了帮助解决日期/时间问题，我想知道是否需要对数据进行筛选，以匹配类似于餐厅和用户数据的内容

我知道这并不多，但我希望它能帮助你走上正确的道路。

也许会有帮助，你也可以看看你可以阅读的地方：

问题可能在于评级数据的范围。评级范围有一个上限，因为如果最小和最大评级之间的范围太大，培训成本就会很高

[……]

一种选择是将评级范围缩小

根据此MSDN，请注意，最小和最大注释之间的间隙不能大于

100

因此，您必须对csv文件列数据（用户ID、操作、日期时间等）进行预处理，以便将所有列数据保持在

[0-99]

范围内

请参见下面的Python实现（以共享逻辑）：

这给了你：

[26.54494382022472, 0.0, 40.449438202247194, 28.18820224719101, 14.094101123595506, 70.3061797752809, 29.71769662921348, 29.76825842696629, 30.526685393258425, 30.31179775280899, 33.05477528089887, 44.924157303370784, 30.526685393258425, 29.995786516853933, 30.27387640449438, 41.01825842696629, 92.90730337078652, 29.742977528089888, 33.813202247191015, 70.71067415730337, 99.0]

请注意，所有数据现在都在

[0,99]

范围内

---

遵循此过程：

• 用户id可以是浮点，而不是整数

• 动作是整数（如果得到的动作少于100个）或浮点（如果得到的动作多于100个）

• Datetime将拆分为两个整数（或一个整数和一个浮点），请参见以下内容：

---

关于：

（A） 在培训中使用日期/时间的方法

您可以将日期时间拆分为两列，如：

• 工作日的一列：
  • 0：星期日
  • 1：星期一
  • 2：星期二
  • [……]
  • 6：星期六
• 一列表示一天中的时间：
  • 0:00:00-00:15之间
  • 1:00:15-00:30之间
  • 2:00:30-00:40之间
  • [……]
  • 95:23:45至00:00之间

---

如果您需要更好的粒度（这里是一个15分钟的窗口），您也可以使用float number作为时间列。

是否可以在ML Studio中显示您的工作流？我最初的想法是如何将这些功能构建到模型中，但不能确定。：）当然，但它的价值很小，因为它离功能还很远，我也会向您的数据推荐它。这在评估模型的性能时应该会有所帮助。

[26.54494382022472, 0.0, 40.449438202247194, 28.18820224719101, 14.094101123595506, 70.3061797752809, 29.71769662921348, 29.76825842696629, 30.526685393258425, 30.31179775280899, 33.05477528089887, 44.924157303370784, 30.526685393258425, 29.995786516853933, 30.27387640449438, 41.01825842696629, 92.90730337078652, 29.742977528089888, 33.813202247191015, 70.71067415730337, 99.0]