Machine learning 根据“经验”将数据分为两类？

假设我有一整套文本格式的菜谱，而事先对它们一无所知。我必须将这些数据分为“烘焙食品配方”和“其他配方”

对于烘焙食品，食谱的摘录可能会这样读：

将面粉加入搅拌碗，然后加入两个打好的鸡蛋，一撮盐和发酵粉

这些都是由不同的作者写的，所以语言和词汇不一致。我需要一个算法，或者更好的是，一个现有的机器学习库实现语言不是一个我可以“教”来区分这两种配方的问题

例如，我可能会向它提供一套我知道的烘焙食品配方，它将能够对这些配方进行分析，以获得对其提供的新配方是否属于这一类别进行评估的能力

得到正确的答案并不重要，但应该相当可靠。在研究了这个问题之后，我很清楚，我的AI/ML词汇表不够广泛，不足以让我完善我的搜索

---

有人能推荐一些库、工具甚至概念/算法来帮助我解决这个问题吗？

您想要的是异常/异常检测

在您的示例中，烘焙食品是您感兴趣的数据，任何看起来与您以前看到的不是烘焙食品的东西都是异常值/异常值

scikit learn为此提供的方法数量有限。另一种常用的方法是计算数据点之间的平均距离，然后任何大于平均值+c*标准偏差的新值都被视为异常值

---

还有更复杂的方法

您可以尝试基于案例的推理

提取将食谱归入烘焙食品类别的特定单词或短语。如果它不在那里，它一定在其他食谱中

你可以聪明地添加单词集{}，这样你就不需要寻找短语了。 为每个单词添加权重，如果超过某个值，则将其放入烘焙

所以{烤箱=>10，面粉=>5，鸡蛋=>3}

我的理由是，如果它进入烤箱，很可能会被烤熟。如果你想区分烘焙蛋糕和烘焙蛋糕，这需要调整。同样地，面粉和将要烘焙的东西有联系，就像鸡蛋一样

添加配对{打蛋=>5}注意这与短语{打蛋=>10}不同，配对中最差的可能出现在配方中的任何地方

负片{在冰箱里冷藏=>-10}

否定词{粉尘=>-粉}

---

absolutes{bake in the oven=>10000}只是说{bake in oven=>it is a baked good}的一种方式，因为这个数字太高了，它本身就超过了阈值。

这个答案让我开始研究SVM，特别是建立在其核心上的SVM。使用Composer软件包，只需提供已知的示例，就可以训练SVM识别烘焙食品和非烘焙食品之间的差异。