多次元ベクトル特徴量から一データの結果を予測する他の方法を知りたいです。

Question

前提・実現したいこと

回答	年齢50以上	貯蓄100万以上	家族有無	ペット	要素	要素	要素	要素	要素	要素	要素
D	1	0	1	0	1	1	0	0	1	0	0
B	0	1	0	0	0	0	0	0	1	0	0
C	0	0	0	0	0	1	0	0	0	0	0
A	1	0	0	0	0	0	0	0	0	1	0
	0	0	0	0	0	0	0	1	0	0	1
	0	1	0	0	0	0	0	1	0	0	1
	0	0	0	1	0	0	0	1	0	0	1

ある人物がいろいろな要素をもっていて新しい人物がどんな回答をするかの予測をするかを推論したい。

該当のソースコードや方法

それぞれの人物のベクトルをリストに入れています。
|D|1|0|1|0|1|1|0|0|1|0|0|
↓
vec_list

[[1,0,1,0,1,1,0,0,1,0,0],[0,1,0,0,0,0,0,0,1,0,0],…[],[]]

array = np.round(cosine_similarity(vec_list, vecs_list,3)

相関表示を作り、

ここから、新しい人物に近似するベクトルランキングをソートで表示し、

まだ未回答の人のベクトルと似ているベクトルを持つ人物が回答したものが予測回答となるという方法でした。

質問内容

この他の方法を知りたいです。
ひとつ私のイメージでは、ある人物がいろいろな要素をもっていてそれをベクトル化したとき、多次元のクラスタリング（ここでは要素が11個あるので11次元）を行い、新しい人物がどんな回答をするかの予測をするかを推論するなどです。他に最適な方法があるなど何かアドバイス頂けないでしょうか。よろしくお願い致します。

補足情報（FW/ツールのバージョンなど）

win10
python3.7
Google Colab
matplotlib

Answer 1

概念としては、レコメンドというキーワードで括れるトピックかと思います。

https://www.albert2005.co.jp/knowledge/marketing/recommendation_basics/recommendation_categorized

内容として、上記のページが参考になるのではないでしょうか。
そして、期待しているのは協調フィルタリングでしょうか。
この辺りは、プライバシーポリシーなどにも関連するので、上記のページや、そこに出てくるキーワードなどを用いて調査されると良いかと思います。
がっつりやるなら、論文を読むのが一番でしょう。

Comments

[dendenmushi]

回答頂きありがとうございます。参考にさせて頂きます。