使用scikit学习预测网站上的好内容

Question

我有一年的网站数据。我想训练机器学习算法，根据某些变量（例如，单词数量，发布时间等）预测新内容的成功。

我想提取一些新数据，输入一些有关它的特征，并获得它在网站上的效果概率。

此外，我希望继续将未来的数据添加到训练集中，并不断训练算法，以便随着时间的推移变得更聪明。

我的问题是：我应该如何使用scikit-learn来实现这一目标？

Answer 1

你所拥有的是二元分类问题，即你必须决定给定的输入是否良好。

尝试不同的回归算法，scikits-learn使得切换算法变得非常容易，让您可以看到哪些有效，哪些无效。

从我的脑海中，我尝试了一些方法：

• SVM
• 随机森林（scikits随机树林）
• 回归（Ridge，Lasso，IRLS，logistic）
• 朴素贝叶斯
• k最近邻居

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，请执行10次，否则执行5次）。有一个专门用于此的scikits-learn手册的完整部分（5.1）。

向训练集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，添加一个示例不会有太大变化，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，在线算法每次呈现一个新的例子时都会学习。如果您确实需要这个，请尝试在线方法，例如k个最近邻居。

如果您需要示例代码，scikit-learn doc非常有用： - 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