我的数据由以下对象组成。
Obj1 - 颜色 - 形状 - 尺寸 - 价格 - 排名
所以我希望能够预测颜色/形状/尺寸/价格的组合是获得高排名的好组合。甚至一个组合也可以像这样工作：为了获得良好的排名，算法预测这种颜色和这种形状的最佳性能。类似的东西。
这种预测的可取算法是什么？
也可能是，如果您能简要解释我如何处理模型构建，我将不胜感激。比如说：我的数据看起来像
Blue pentagon small $50.00 #5
Red Squre large $30.00 #3
那么我应该看什么有用的预测模型呢？我应该尝试什么算法来预测，比如最高权重是价格，然后是颜色，然后是尺寸。如果我想预测像红色小形状这样的组合，与粉色小形状相比，它的排名不太可能更高。（本质上是试图组合多个标称值列来进行预测）
听起来您想学习可以解释为人类的模型。根据您的排名变量的类型，可能有许多不同的学习者。
如果排名是分类的（例如星），分类器可能是最好的。Weka有很多。一些产生人类可以理解的模型的是J48决策树学习器和OneR规则学习器。
如果排名是连续的（例如分数），回归可能更合适。合适的算法是例如SimpleLogistic和LinearRegression。
或者，您可以尝试使用 Weka 中的任何算法对示例进行聚类，然后分析聚类。也就是说，理想情况下，集群中的示例都具有相同（或非常相似）的排名，您可以查看其他属性的值范围并得出自己的结论。
将组合视为线性方程，并应用蒙特卡罗算法（如遗传算法）来调整方程的参数。
将颜色/形状/尺寸/价格/排名编码为数字值。
将组合视为一个线性方程，比如说a*color + b*shape + c*size + d*price = ranking。
应用遗传算法调整 a/b/c/d，以使计算rankings尽可能接近真实情况。
最后你得到了方程，你可以用它来：
1）通过简单的线性规划找到最大排名；
2）通过分配其他参数来预测排名。