我想根据1）之前的历史记录，2）一些子类信息和3）任意月份信息来预测给定客户的销售额。月份对某些客户可能有影响，但对其他客户可能没有。信息大致如下所示：

account_id  sub_account month sales3           1           12    903           1           1     1203           2           12    1003           2           1     501           1           12    201           1           12    501           1           12    3001           3           12    50

因此，虽然我可以使用某种类型的编码，但我并不确定哪些是重要的，哪些不是。这“感觉像是”某种围绕值的无监督聚类，但不确定最好的方法是什么。

回答：

这绝对是一个监督学习问题（一个回归问题，因为你的目标变量是连续的）。此外，由于你有客户的之前历史记录，你实际上面对的是一个时间序列预测问题。

解决这个问题的方法有很多（很多…），但一个简单且相当有效的方法是使用自回归来解决问题：

• 选择一个window_size（回顾的月份数 – 例如5）
• 对于每一对（account_id, sub_account）和一组window_size连续月份，生成：sales_5m_ago, sales_4m_ago, ... ,sales_1m_ago ==> sales this month作为训练实例。

这样，你将得到一个包含许多销售历史子集的数据集，这些子集可以用来预测接下来一个月会发生什么。然后，你可以用它构建任何回归模型（例如，RandomForestRegressor），并且要预测测试客户的销售额，你只需要提供之前的window_size销售数据，模型就会给你下个月的预测。

最后，如果你想要/有原始数据中的额外特征，你只需在创建训练集时将它们与你的月销售值一起分组即可：

sales_5m_ago, sales_4m_ago, ... ==> sales_5m_ago,temperature_5m_ago, rain_days_5m_ago, sales_4m_ago,temperature_4m_ago, rain_days_4m_ago, ...