Python 哪种ML模型最适合于时间序列活动日志数据来预测客户保留？

我有客户活动数据，如登录次数、在网站上花费的时间、注册的设备和更改的策略。数据是按天组织的。i、 e客户在特定日期的活动。 ML模型应该能够基于此活动预测是否保留客户。 理想情况下，模型应该输出bool值或保留机会的百分比

我应该研究哪些ML模型？ 如有任何建议，我们将不胜感激。

“哪种ML型号最适合

不幸的是，“没有免费午餐”定理指出答案永远是：“视情况而定”

不过幸运的是，客户保留模型得到了很好的研究，通常被表述为一个简单的分类问题。因此，您可以尝试一些简单的算法，例如：

回归分析：logistic回归

决策树-购物车

贝叶斯算法：天真的贝叶斯

支持向量机

基于实例的学习：k-最近邻

集成学习：Ada Boost、随机梯度Boost和随机森林

人工神经网络：多层感知器

线性判别分析

---

时间序列预测

在时间序列数据的经典统计处理中，对未来进行预测被称为外推

更多的现代领域关注这个主题，并将其称为时间序列预测

预测包括采用适合历史数据的模型，并使用它们预测未来的观测结果

描述性模型可以用于未来（即平滑或消除噪声），它们只寻求最好地描述数据

预测的一个重要区别是，未来完全不可用，只能根据已经发生的事情进行估计

如果您的数据具有某种趋势或季节性，您可能希望平滑数据并使用以下任一算法：

1。移动平均算法

2。自动回归

3。ARIMA（自回归综合移动平均）模型

ARIMA模型是移动平均和自回归算法的结合

---

我强烈建议您阅读这篇关于使用ARIMA模型进行时间序列预测的精彩教程/博客：

问这个问题的地方不对，请访问回归将不是一个好的选择，因为在时间序列中，只有一个变量与时间序列相对应。例：年销售额等这是事实，但客户保留是一个典型的分类问题。因此，在我的建议中，您应该首先将数据转换为更适合分类的非时间序列格式，例如，尽管分类等。是的，在这种情况下，它将保持良好。但问题在于时间序列预测。