एक विकल्प उत्पाद खरीद के सभी संयोजनों की आवृत्तियों को प्राप्त करना है; कुछ सबसे सामान्य संयोजनों का चयन करें; फिर प्रत्येक व्यक्ति के चुने हुए संयोजन की भविष्यवाणी करने के लिए एक प्रतिगमन मॉडल बनाएं। उदाहरण के लिए, बाइनरी लॉजिस्टिक रिग्रेशन के साथ आप एक) व्हाइट वाइन, ब्री, स्ट्रॉबेरी और अंगूर बनाम बी) रेड वाइन, चेडर और गौडा की खरीद का अनुमान लगा सकते हैं। 2 से अधिक ऐसे संयोजनों के साथ, या यदि आप "उपरोक्त में से कोई नहीं" की श्रेणी को शामिल करना चाहते हैं, तो बहुराष्ट्रीय लॉजिस्टिक प्रतिगमन संभवतः पसंद का तरीका होगा।
ध्यान दें कि केवल सामान्य कॉम्बो सहित इसका मतलब है कि आपके पास प्रत्येक की अधिक व्यावहारिक संख्या होगी, लेकिन आप दूसरों को छोड़कर, कम से कम इस प्रक्रिया के लिए होंगे। मैं कम से कम कुछ लोगों द्वारा चुने गए प्रत्येक कंबोज के दर्जनों बनाने वाली 7 वस्तुओं की कल्पना कर सकता था। यह संभवतः आपके नमूना आकार के लिए कई श्रेणियां हैं। इसके अलावा, अगर किसी कॉम्बो को सिर्फ कुछ लोगों द्वारा चुना जाता है, तो आपके मॉडल के साथ काम करने के लिए बहुत कम जानकारी होगी।
एक अन्य विकल्प उन वस्तुओं के कुछ सेटों तक पहुंचने के लिए क्लस्टर विश्लेषण का उपयोग करना है जो एक साथ खरीदे जाते हैं। 7 वस्तुओं के साथ, आप शायद 4 से कम समूहों को समाप्त करेंगे, जो आपके काम को आसान बना सकते हैं। यदि आप क्लस्टर विश्लेषण का प्रयास करते हैं और परिणामों को अयोग्य पाते हैं, तो कोई कारण नहीं है कि आपको उनका उपयोग करना है: बस ऊपर वर्णित आवृत्ति-आधारित दृष्टिकोण पर वापस जाएं। इस मामले में, यदि मैं आपको सही पढ़ता हूं, तो आप श्रेणियों के सबसे वर्णनात्मक और दिलचस्प सरणी की तलाश कर रहे हैं, और इसे स्थापित करने में, आपको स्वतंत्रता या कई तुलनाओं या ऐसी किसी भी चिंता के बारे में चिंता करने की आवश्यकता नहीं है जो लागू हो सकती है। यदि आप कुछ हीन परीक्षण करने में कई तरीकों की कोशिश कर रहे थे।