私はこのようなトランザクションデータをいくつか持っています。機械学習を使用して将来のイベントを予測する
SHOP_ID, DATE , DAY, IN_TIME , OUT_TIME
shop007, 2017/5/20, mon, 05:03:38, 05:05:33
shop0010, 2017/4/13, sat, 08:53:42, 08:53:45
shop005, 2017/10/25, wed, 03:02:42, 03:04:15
shop001, 2017/10/5, sun, 19:09:37, 19:11:35
shop008, 2017/1/19, sat, 14:33:01, 14:35:00
shop004, 2017/3/13, sun, 02:16:06, 02:17:59
shop0010, 2016/7/4, thu, 10:25:54, 10:25:59
shop008, 2016/11/6, sat, 22:52:21, 22:53:49
shop004, 2016/11/13, tue, 08:30:51, 08:32:04
shop007, 2016/10/2, wed, 19:28:29, 19:29:48
shop006, 2017/9/25, mon, 01:11:19, 01:12:12
shop003, 2017/1/14, mon, 00:43:33, 00:43:53
shop009, 2017/7/7, fri, 16:35:52, 16:36:54
shop008, 2017/4/26, tue, 06:31:23, 06:33:10
shop007, 2016/3/19, fri, 04:46:34, 04:48:04
shop001, 2016/11/4, mon, 11:16:55, 11:18:22
shop001, 2017/8/31, sat, 07:07:25, 07:09:16
shop005, 2017/3/16, mon, 17:17:00, 17:18:47
shop001, 2017/4/23, fri, 04:35:37, 04:37:24
shop003, 2016/9/18, thu, 08:53:55, 08:55:35
shop001, 2016/1/12, sun, 10:25:43, 10:26:09
shop009, 2017/4/9, mon, 17:44:45, 17:45:54
shop004, 2017/7/1, mon, 01:23:14, 01:24:37
shop002, 2017/12/28, thu, 18:00:34, 18:00:50
shop009, 2016/4/6, tue, 00:48:25, 00:49:50
shop009, 2016/4/10, sat, 14:21:41, 14:22:19
shop001, 2016/5/16, wed, 15:07:17, 15:09:14
shop005, 2016/10/6, wed, 23:09:58, 23:10:07
shop009, 2016/5/6, tue, 09:39:47, 09:39:55
shop002, 2017/6/16, sat, 19:35:08, 19:35:53
shop005, 2017/5/26, wed, 10:08:24, 10:09:31
shop003, 2016/8/7, fri, 06:52:28, 06:52:54
shop006, 2017/5/5, thu, 17:28:06, 17:28:50
shop001, 2016/1/7, wed, 10:39:07, 10:39:24
そして、私が収集したコーパスデータを使用して、現在の週の&日&時間で歩いて、顧客の数を予測する時系列モデルを作成したいです。私が欲しい
モデルはncustomers
は、顧客の合計とtime
は可能性があり、週&日&時間ですncustomers ~ time
です。
独立変数はカテゴリ型、従属変数は連続型であるため、私はライナー回帰モデルを使用できるかどうか分かりません。
あなたは、(= O)(= 1)または「XがYに属していない」は、それぞれ単に「XがYに属している」ことを示す2値変数のセットとしてカテゴリ変数をマッピングすることができます。そのようなバイナリ変数は、多くの異なるモデルに独立変数として供給することができます。 – Heikki