具有隐式时间分量的分类问题

Classification problems with an implicit time component

大部分分类问题都没有时间元素。例如。图像识别。

因此，LR、Random Forrest 或 Neural Networks 等分类算法的应用是直接的。然而，一些分类问题具有隐式时间分量。例如。流失 classification/default 分类。也就是说，这不仅仅是 churn/non 流失的问题，最重要的是 when!

过去我们所做的就是将时间离散化window。也就是说，如果我们想要预测下个月的流失，并且如果客户活跃了 12 个月并在第 13 个月流失，我们将为该客户创建 13 行。在这 12 个中，有 12 个将没有流失作为响应，1 个将有流失作为响应。

我们显然可以为这类问题拟合生存模型，但我对 ML 算法更感兴趣。

我们可以看看机器 Learning/Deep 学习景观中是否有方法来处理这个问题？

有一整套深度学习架构可以处理时间序列。

他们处理一系列数据，每次他们做出预测并有一种内部记忆来提醒过去什么是重要的。

这些神经网络称为递归神经网络 (RNN)。最成功的 RNN 称为长短期记忆网络 (LSTM)。