我可以使用包含（时间序列+分类+数字）和分类器因变量（0,1）的自变量构建 ML 模型吗
Can I build a ML model with independent variables containing (time series+ categorical +numeric) and a classifier dependent variable (0,1)
假设我有数据包含
薪水，
工作简介，
工作经验，
家庭人数，
其他人口统计等..
访问过我的汽车经销店的多人的数据，我也有 he/she 是否从我这里买过车的数据。
我可以利用此数据集来预测新来的客户是否有可能购买汽车。假设目前我正在使用 xgboost 来做这件事。
现在，我得到了额外的数据，但它是一个人每月支出的时间序列数据。假设我也获得了训练数据的数据。现在我想建立一个模型，使用这个时间序列数据和旧的人口统计数据（+薪水、年龄等）来了解客户是否有可能购买。
注意：在第二部分我只有每月支出的时间序列数据。其他变量在某个时间点。例如，我没有工资或年龄的时间序列。
注意 2：我也有分类变量，例如我想在模型中使用的工作概况。但是为此我不知道这个人是否一直在同一个工作档案中，或者他已经从其他工作档案中转过来了。
因为大部分数据都是针对个人的；除了支出时间序列，所以最好带个人级别的时间序列数据。这可以通过特征工程来完成，例如：
- 正如@cmxu 建议的那样，采取各种统计措施。在不同的时间间隔采取这些统计措施会更加有益，比如最近 2 天、5 天、7 天、15 天、30 天、90 天、180 天等的平均值
创建混合特征，例如：
a) 在第 1 点中创建的工资与支出统计汇总的比率（选择适当的区间）
b) 每户人均工资或每户平均每月支出。等等
通过类似的想法，您可以轻松地使用数据创建数百或数千个特征，然后将所有这些数据提供给 XGBoost（易于训练和调试）或 NN（训练更复杂）。
假设我有数据包含 薪水， 工作简介， 工作经验， 家庭人数， 其他人口统计等.. 访问过我的汽车经销店的多人的数据，我也有 he/she 是否从我这里买过车的数据。
我可以利用此数据集来预测新来的客户是否有可能购买汽车。假设目前我正在使用 xgboost 来做这件事。
现在，我得到了额外的数据，但它是一个人每月支出的时间序列数据。假设我也获得了训练数据的数据。现在我想建立一个模型，使用这个时间序列数据和旧的人口统计数据（+薪水、年龄等）来了解客户是否有可能购买。
注意：在第二部分我只有每月支出的时间序列数据。其他变量在某个时间点。例如，我没有工资或年龄的时间序列。
注意 2：我也有分类变量，例如我想在模型中使用的工作概况。但是为此我不知道这个人是否一直在同一个工作档案中，或者他已经从其他工作档案中转过来了。
因为大部分数据都是针对个人的；除了支出时间序列，所以最好带个人级别的时间序列数据。这可以通过特征工程来完成，例如：
- 正如@cmxu 建议的那样，采取各种统计措施。在不同的时间间隔采取这些统计措施会更加有益，比如最近 2 天、5 天、7 天、15 天、30 天、90 天、180 天等的平均值
创建混合特征，例如： a) 在第 1 点中创建的工资与支出统计汇总的比率（选择适当的区间） b) 每户人均工资或每户平均每月支出。等等
通过类似的想法，您可以轻松地使用数据创建数百或数千个特征，然后将所有这些数据提供给 XGBoost（易于训练和调试）或 NN（训练更复杂）。