Esa es una interesante. A pequeña escala, la fuerza bruta está bien, y probaría soluciones simples primero.
Por ejemplo, puede ver sus datos para cada persona como un vector grande (X0, Y0, X1, Y1, X2, Y2, …, Xt, Yt) y simplemente encontrar el vector más cercano a su nueva entrada. Esto puede funcionar sorprendentemente bien dependiendo de sus datos.
Los enfoques más sólidos podrían incluir agrupar todas las ubicaciones para encontrar lugares distintos donde las personas permanecen durante períodos prolongados de tiempo, y luego definir una función para cada lugar que indique si el usuario estaba allí o no en los datos. Luego, nuevamente encuentre a la persona con el vector de características más cercano.
- ¿Quiénes son los mejores expertos en Machine Learning en el Área de la Bahía?
- ¿En qué se diferencia el estado oculto (h) de la memoria (c) en una celda LSTM?
- ¿Las computadoras cuánticas mostrarían una aceleración para el aprendizaje automático?
- ¿Es posible utilizar el aprendizaje automático para hacer un programa que pueda programar?
- Después de la selección de características utilizando el método de rankeador, WEKA, el número de atributos en el conjunto de prueba es diferente del conjunto de entrenamiento. ¿Cómo los comparas?
Puedes ser mucho más sofisticado a partir de ahí. Primero configure un marco de evaluación para que pueda probar la calidad de sus predicciones, y luego comience a probar soluciones simples o complejas.
