使用scikit学习预测网站上的好内容

Question

我有一年的网站数据价值。我想训练机器学习算法来预测基于某些变量（例如，字数，发帖时间等）的新内容的成功。

我想采取一项新的数据，输入关于它的某些特征，并获得它在网站上做得如何的概率。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加智能。

我的问题是：我应该如何使用scikit-learn来完成这个任务？

Answer 1

你有什么是二元分类问题，即你必须决定一个给定的输入是否好。

尝试不同的回归算法，scikits-learn使切换算法变得非常简单，让您看到哪些是有效的，哪些不是。

从我的头顶，这里有一些方法，我想尝试：

• SVM
• 随机森林
• 回归（岭，套索，IRLS（森林scikits随机树） ，物流）
• 朴素贝叶斯
• k个最近邻

如何评估给定方法的质量？使用交叉验证（如果您有足够的数据，则进行10次，否则进行5次）。这里有完整的（5.1）scikits-learn手册。

将新数据添加到训练集需要重新训练模型。根据您手边的计算能力，这可能会也可能不会成为问题。如果你有很多例子，添加一个例子不会有太大的改变，所以一定要用一些新的例子重新训练你的算法。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，在线算法学习每次他们提出一个新的例子。如果你真的需要这个，请尝试使用在线方法，如k最近的邻居。

如果需要实例代码，scikit学习文档是非常有帮助的： - 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

http://scikit-learn.org/0.10/user_guide.html