我有一个网站一年的数据。我想训练一种机器学习算法来根据某些变量（例如，字数、发布时间等）预测新内容的成功与否
我想获取一条新数据，输入有关它的某些特征，并获得它在网站上表现如何的概率。
此外，我想继续将未来的数据添加到训练集中，并不断训练算法以随着时间的推移变得更智能。
我的问题是：我应该如何使用 scikit-learn 来完成这项工作？
问问题
888 次
1 回答
3
你所拥有的是一个二元分类问题，即你必须决定给定的输入是否好。
尝试不同的回归算法，scikits-learn 让切换算法变得超级容易，让您看到哪些有效，哪些无效。
从我的脑海中，这里有一些我会尝试的方法：
- 支持向量机
- 随机森林（scikits 中的随机树森林）
- 回归（Ridge、Lasso、IRLS、logistic）
- 朴素贝叶斯
- k 最近邻
如何评估给定方法的质量？使用交叉验证（如果你有足够的数据，做 10 倍，否则做 5 倍）。scikits-learn 手册中有一个完整的部分（5.1）专门用于此。
向训练集中添加新数据需要重新训练模型。根据您手头的计算能力，它可能是也可能不是问题。如果您有很多示例，添加一个不会有太大变化，因此请务必使用一些新示例重新训练您的算法。这将节省计算时间。
使用训练集的算法称为离线算法。另一方面，在线算法每次出现新示例时都会学习。如果你真的需要这个，试试在线方法，比如 k 个最近的邻居。
如果您需要示例代码，scikit-learn 文档非常有帮助：- http://scikit-learn.org/0.10/auto_examples/linear_model/logistic_l1_l2_sparsity.html#example-linear-model-logistic-l1-l2-sparsity-py - http://scikit-learn.org/0.10/modules/linear_model.html#ridge-regression
于 2012-05-07T20:17:05.943 回答