识别相似数据的算法？
Algorithm for recognizing similar data?
我得到了一个 YouTube 趋势数据集，任务是制作一个预测模型，该模型输出视频进入趋势的概率，准确率至少为 60%。
我有标题、频道、thumbnail_link、观看次数、喜欢、不喜欢、评论、日期...
我已经做了一些分析并确定重要的列是
类别、标签（以“|”分隔的列表）
问题是假设所有视频都有趋势，所以我不能使用分类器并将其与训练数据相匹配来预测趋势 yes/no 列或使用回归算法而不将目标更改为 "predict how liked will it be" 之类的。
所以听起来我正在寻找的是一个聚类算法，我研究了 KMeans，但据我所知它不会成功
我在想我可以逐个视频比较视频它包含哪些类别和标签，并根据它们的受欢迎程度对其进行评分，或者制作一个距离计算相似度函数，但这意味着我应该使用 scikit
这听起来像是一个 one-class classification 问题。一些选项是：
拟合数据的代表性分布，然后对于新的观察（视频）检查它来自该分布的可能性有多大
拟合一个分类器，该分类器基本上会找到数据的边界，然后对于新的观察，告诉您边界有多远 in/out-side，例如 scikit-learn.svm.OneClassSVM
拟合聚类中心，或找到原型示例，然后对于新的观察，说明与训练数据中的平均观察相比，它离聚类中心有多远
只是一些想法，当然还有其他方法。 :)
我得到了一个 YouTube 趋势数据集，任务是制作一个预测模型，该模型输出视频进入趋势的概率，准确率至少为 60%。
我有标题、频道、thumbnail_link、观看次数、喜欢、不喜欢、评论、日期...
我已经做了一些分析并确定重要的列是
类别、标签（以“|”分隔的列表）
问题是假设所有视频都有趋势，所以我不能使用分类器并将其与训练数据相匹配来预测趋势 yes/no 列或使用回归算法而不将目标更改为 "predict how liked will it be" 之类的。
所以听起来我正在寻找的是一个聚类算法，我研究了 KMeans，但据我所知它不会成功
我在想我可以逐个视频比较视频它包含哪些类别和标签，并根据它们的受欢迎程度对其进行评分，或者制作一个距离计算相似度函数，但这意味着我应该使用 scikit
这听起来像是一个 one-class classification 问题。一些选项是：
拟合数据的代表性分布，然后对于新的观察（视频）检查它来自该分布的可能性有多大
拟合一个分类器，该分类器基本上会找到数据的边界，然后对于新的观察，告诉您边界有多远 in/out-side，例如
scikit-learn.svm.OneClassSVM拟合聚类中心，或找到原型示例，然后对于新的观察，说明与训练数据中的平均观察相比，它离聚类中心有多远
只是一些想法，当然还有其他方法。 :)