在这种情况下应该使用哪种机器学习模型？

Question

最近我正在开发我的课程项目，它是一个Android应用程序，可以根据用户的声音自动帮助填写消费形式。所以这里有一个例句：

所以我想做的是让应用程序自动填写表单，我的表单有几个字段：时间（昨天），位置（麦克唐纳），成本（10美元），类型（食物）。这里的“类型”字段包括食品，购物，运输等。

我使用了分词库将句子分成几个部分并进行解析，因此我已经可以从用户的语音中提取时间，位置和费用字段。

我想要做的是用某种机器学习模型推导出“类型”字段。所以应该事先有一些记录，由用户手动输入来训练模型。在训练之后，当新记录进入时，我首先提取时间，位置和成本字段，然后根据模型计算类型字段。

但是我不知道如何表示位置字段，我应该使用字典来包含许多着名的位置并使用索引来表示位置吗？如果是这样，我应该使用哪种机器学习方法来模拟这个要求？

Answer 1

我将从朴素贝叶斯分类器开始。以下链接应该有助于理解它：

• http://en.wikipedia.org/wiki/Naive_Bayes_classifier
• http://cs229.stanford.edu/notes/cs229-notes2.pdf
• http://scikit-learn.org/stable/modules/naive_bayes.html

我想知道与你的任务的位置相比，时间和成本是否具有辨别力/信息量。

一般情况下，请查看以下关于使用文本数据的链接（即使您不了解python也应该有用）：

• http://scikit-learn.org/dev/tutorial/text_analytics/working_with_text_data.html

Answer 2

它应该包括三个阶段：

1. 功能表示：

表示特征的一种方法是Bag-of-Word表示，您可以修复字典的顺序并使用单词频率向量来表示文档。有关详细信息，请参阅https://en.wikipedia.org/wiki/Bag-of-words_model。

1. 数据和标签收集：

基本上，在这个阶段，你应该准备一些[特征] - [类型]对来训练你的模型，这可能是乏味或昂贵的。如果您已经发布了应用程序，并收集了大量[句子] - [类型]对（可能由应用程序用户选择），您可以提取功能并构建训练集。

1. 模特学习：

Cdeepakroy提出了一个很好的模型选择：朴素贝叶斯，这对于像这样的分类任务非常有效。在这个阶段，您可以找到合适的包，插入您的训练数据，并享受它返回的分类器。