我对机器学习很新手，所以如果我的问题被认为是通用的，我很抱歉。
目前，我正在开发一个Web应用程序（前端：Angular2，后端：NodeJS）来安排医生预约。患者通过他们的界面可以选择医生的专业，一天和一个时间段来进行预约。他们还必须从下拉列表中选择他们的症状。另一方面，医生通过他们的界面可以在DB中注册完成预约的持续时间。
在患者的界面中，我想要包括我的机器学习算法，该算法必须作为输入获得症状并预测约会的持续时间。
我想成为一种有监督的学习算法。如果需要，可以从管理界面内部训练完成约会的数据集[特别是分类变量症状（输入）和连续变量APPOINTMENT DURATION（输出）]，因此算法将知道例如与患有症状“发烧”的患者预约持续10分钟，另一次“发烧”预约持续14分钟，与患有“感染”的患者预约持续20分钟，另一患者持续23分钟，等
因此，在训练面部后，给定一个症状作为输入的算法必须能够预测（使用神经网络或方程式，例如平均值或更聪明的东西，我不知道是什么，我是期待想法）当前约会的预期持续时间并将其显示为对患者的信息。
因此，我的问题是：
我的情况需要使用哪种算法？我需要一张“列联表（交叉表）”吗？我在互联网上看到了这个，但我不知道如何使用它？
上述算法或JavaScript中是否有任何实现？
将此分类问题更容易吗？不是计算连续值，而是将结果分类为以下类别之一：15分钟，30分钟，45分钟，60分钟？
一般来说，我是否正确解决了问题，或者是否有更好的处理方法？
非常感谢您的帮助!!
答案 0 :(得分：0)
你要找的是＆＃34;回归＆＃34;。回归算法是将X = [f1，f2，f3 ...]映射到Y = [o1，o2，o3，...]的函数，其中每个o是连续变量。特征f1..fn可以是分类的或连续的，也可以是两者的混合。
上述算法或JavaScript中是否有任何实现？
当然，他们很多。试着看看deeplearn.js
至于你想要什么算法，我想这取决于变量之间关系的复杂程度。所有这些都可以进行回归。我会按顺序尝试它们：
但让我们考虑一下实际问题。我不是这个领域的专家，但我怀疑症状与预约时间有很大关系。
想象一下：办公室里有2名医生。一个人谈了很多。一个人没有。我发烧了，得到了很多话题。 1小时预约。我带着扭伤的手腕进去，得到一个不会说话的人。预约20米。
或者：冬天我流着流鼻涕。其他50个人也是如此。 3小时预约。夏天我流着流鼻涕。另外一个人也是如此。预约10米。
在这些情况下，症状并不占约会时间的大部分时间。无论您的机器学习算法多么出色，它都无法学习那些不存在的关系。在这里设计你的机器学习问题时，我会建议你注意这一点。
答案 1 :(得分：0)
一般来说，我是否正确解决了问题，或者是否有更好的处理方法？
我希望我的想法可以帮到你。这就是我们如何处理这个问题。您对ML模型的输入是症状。输出是预约的时间。我们可以将其构建为回归问题。我们不是简单地根据症状名称预测持续时间。相反，我们根据症状的特征预测持续时间。首先，您必须收集Labeled数据以进行ML培训。
例如，在过去几年中，您收集了1000条记录，每条记录用于一次约会，并提供以下信息：
掌握数据后，您将转到功能工程步骤，基本上可以执行以下操作：
完成此步骤后，您的数据将采用数字格式。你可以开始使用ML了。我相信Javascript中有很多ML库。你可以谷歌一个使用。
在您拥有模型后，在患者的UI中，如果他们选择了症状，我们将提取症状信息，患者信息，然后将这些信息转换为与我们进行ML培训相同的格式，然后ML模型可以预测预约的时间是
这是非常高水平的指导方针，但它可以帮助你想出一个工作版拳头。然后你可以在以后的迭代中改进它。