机器学习选择哪种算法
Machine learning which algorithm to choose
我正在尝试根据用户的意图为用户构建一个文章推荐系统。每个用户都会 select 一个意向。例如：
1- 健康生活
2- 放松精神
3- 找工作
4- 了解技术
等我已经定义了 20 个这样的意图。我从一些博客和网站上删除了网络内容，它 links.I 需要根据意图 selected 向用户建议相关链接。
问题：
我想这可以通过无监督机器学习算法得到最好的解决。这是正确的方法吗？
解决此问题的可能步骤（需要考虑可扩展性）或算法或最佳工具
（我更喜欢python）？我发现 genisim 库适合这个吗？
一般来说，没有人可以推荐 "best" 算法，除非在非常特殊的用例中。
深入思考变量与数据外观之间的关系。正确的算法要么一目了然，要么需要进行实验。没有人能告诉你该用什么。
正如@Root 所说，许多其他人已经证明他们没有适用于所有情况的最佳算法。
您必须构建模型并 evaluate/tune/refine 它们并测量它们的准确性。使用精度最高的单一算法（您还可以考虑性能、可扩展性、易于实现的参数）或混合算法（模型集成）作为首选模型。
关于你的问题，我认为神经网络是这种推荐的算法之一，而且很容易上手。后面还可以找分类树，深度学习等
我希望这有助于开始。
关于这一点的所有评论和答案都是正确的：无法在一开始就指定 "best" 模型。我添加此答案是为了指出对此背后原因的非技术性讨论：No Free Lunch Theorem for Machine Learning, as well as a mathematical discussion here。
希望这些链接对以后遇到这个问题的人有用。
首先您需要了解您在寻找什么，因此了解问题/目标。你想弄清楚什么。然后要么非常具体地写下来，然后把它变成统计问题。对于前。我想要明天可能下雨的概率。
1）如果你想预测一个目标值，那就去监督学习。
2）如果不是，则进行无监督学习。
3）你有什么价值观？离散的，分类的？
4）如果您正在寻找是/否类型的答案，请进行分类。
5）如果目标值可以是任何数字，则进行回归。
6) 如果你不想预测目标值，那么你就去进行无监督学习。
7）你是否试图将一些值放入离散组中，然后进行聚类。
8) 如果你想知道拟合有多强，那么使用密度估计算法。
使用 Python/R 阅读统计学习和机器学习的要素，了解更多信息。快乐学习！
我正在尝试根据用户的意图为用户构建一个文章推荐系统。每个用户都会 select 一个意向。例如：
1- 健康生活
2- 放松精神
3- 找工作
4- 了解技术
等我已经定义了 20 个这样的意图。我从一些博客和网站上删除了网络内容，它 links.I 需要根据意图 selected 向用户建议相关链接。 问题：
我想这可以通过无监督机器学习算法得到最好的解决。这是正确的方法吗？
解决此问题的可能步骤（需要考虑可扩展性）或算法或最佳工具 （我更喜欢python）？我发现 genisim 库适合这个吗？
一般来说，没有人可以推荐 "best" 算法，除非在非常特殊的用例中。
深入思考变量与数据外观之间的关系。正确的算法要么一目了然，要么需要进行实验。没有人能告诉你该用什么。
正如@Root 所说，许多其他人已经证明他们没有适用于所有情况的最佳算法。
您必须构建模型并 evaluate/tune/refine 它们并测量它们的准确性。使用精度最高的单一算法（您还可以考虑性能、可扩展性、易于实现的参数）或混合算法（模型集成）作为首选模型。
关于你的问题，我认为神经网络是这种推荐的算法之一，而且很容易上手。后面还可以找分类树，深度学习等
我希望这有助于开始。
关于这一点的所有评论和答案都是正确的：无法在一开始就指定 "best" 模型。我添加此答案是为了指出对此背后原因的非技术性讨论：No Free Lunch Theorem for Machine Learning, as well as a mathematical discussion here。
希望这些链接对以后遇到这个问题的人有用。
首先您需要了解您在寻找什么，因此了解问题/目标。你想弄清楚什么。然后要么非常具体地写下来，然后把它变成统计问题。对于前。我想要明天可能下雨的概率。 1）如果你想预测一个目标值，那就去监督学习。 2）如果不是，则进行无监督学习。 3）你有什么价值观？离散的，分类的？ 4）如果您正在寻找是/否类型的答案，请进行分类。 5）如果目标值可以是任何数字，则进行回归。 6) 如果你不想预测目标值，那么你就去进行无监督学习。 7）你是否试图将一些值放入离散组中，然后进行聚类。 8) 如果你想知道拟合有多强，那么使用密度估计算法。
使用 Python/R 阅读统计学习和机器学习的要素，了解更多信息。快乐学习！