machine-learning - 具有隐式时间分量的分类问题

大多数分类问题没有时间元素。例如。图像识别。

因此，LR、Random Forrest 或神经网络等分类算法的应用非常简单。然而，一些分类问题具有隐含的时间分量。例如。流失分类/默认分类。也就是说，这不仅仅是流失/不流失的问题，最重要的是何时！

过去，我们所做的是将时间窗口离散化。也就是说，如果我们要预测下个月的流失率，并且如果客户已经活跃了 12 个月并在第 13 个月期间流失，我们将为该客户创建 13 行。其中 12 个将非流失作为响应，1 个将流失作为响应。

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。

我们能否找出机器学习/深度学习领域中是否有方法来处理这个问题？

标签： machine-learningtimedeep-learningclassificationsurvival-analysis

有一整套深度学习架构可以处理时间序列。

他们每次做出预测时都会处理一系列数据，并拥有一种内部记忆来提醒过去的重要内容。

这些神经网络称为循环神经网络 (RNN)。最成功的 RNN 称为长短期记忆网络（LSTM）。