我正在开展一项匹配应用的工作，我想知道在他们之间匹配元素以获得最佳结果的最佳方法是什么？
在我看来，通过决策树，因为我们已经知道了元素的结构和预期的结果。 但是，机器学习是一种替代解决方案还是没有价值呢？
我可能会弄错，但对我而言，ML对于排序数据是有效的，乍看之下没有明显的共同点，对吗？
感谢您的建议！
答案 0 :(得分：0)
决策树是ML的一部分。也许你的意思比决策树更复杂，比如xgboost或神经网络。
当你有太多的变量来手动创建决策树时，xgboost或神经网络是很好的。当您想要控制算法时，决策树会更好（例如，出于道德或管理原因）。
xgboost和无监督的c也可以创建决策树中使用的边界。例如，您应该创建类别18-25或18-30等。
考虑到这个问题的复杂性，随着时间和地理的限制，使用高级算法对我来说似乎是一个好主意。
看看那个看似接近你问题的Kaggle比赛，它可能会给你一些很好的见解： https://www.kaggle.com/c/job-recommendation/data