Machine learning 类数不断增加的多类分类

我有一个关于音乐收听历史的数据集：听音乐的时间、地点、外面的天气（还有很多其他功能即将推出）以及一个曲目id作为标签

我试图预测在任何给定环境下我喜欢的轨道（时间+地点+天气）

我想在此数据上运行多类分类，但存在以下问题：

• 不断将我的轨迹ID映射到类[0..distinct\u trackid\u count）并返回
• 我有大量的课程（成千上万）
• 类的数量在不断增长，所以我从一开始就必须重新训练我的算法

---

我有一种感觉，在这里我不需要多类分类，我需要帮助找出如何解决这个问题，我可能会尝试一些方法（我不确定它们是否能很好地工作）：

不要使用分类，使用回归：给定特征，回归将返回一个有理数。将其四舍五入，并选择具有该ID/编号的曲目进行收听。这应该允许您使用任何在线学习算法，当新歌出现时，只需将其特征和目标输入算法。这样，您就不必做任何操作为每首新歌进行再培训

使用最近邻方法：给定一组功能，从您的歌曲中找到最接近的功能集，然后选择该歌曲。也不需要完全重新培训，但可能效率低下

---

您可能还想研究关系关联规则。

我可能会尝试一些方法（我不确定它们是否能正常工作）：

不要使用分类，使用回归：给定特征，回归将返回一个有理数。将其四舍五入，并选择具有该ID/编号的曲目进行收听。这应该允许您使用任何在线学习算法，当新歌出现时，只需将其特征和目标输入算法。这样，您就不必做任何操作为每首新歌进行再培训

使用最近邻方法：给定一组功能，从您的歌曲中找到最接近的功能集，然后选择该歌曲。也不需要完全重新培训，但可能效率低下

---

您可能还想研究关系关联规则。

我可能会尝试一些方法（我不确定它们是否能正常工作）：

不要使用分类，使用回归：给定特征，回归将返回一个有理数。将其四舍五入，并选择具有该ID/编号的曲目进行收听。这应该允许您使用任何在线学习算法，当新歌出现时，只需将其特征和目标输入算法。这样，您就不必做任何操作为每首新歌进行再培训

使用最近邻方法：给定一组功能，从您的歌曲中找到最接近的功能集，然后选择该歌曲。也不需要完全重新培训，但可能效率低下

---

您可能还想研究关系关联规则。

我可能会尝试一些方法（我不确定它们是否能正常工作）：

不要使用分类，使用回归：给定特征，回归将返回一个有理数。将其四舍五入，并选择具有该ID/编号的曲目进行收听。这应该允许您使用任何在线学习算法，当新歌出现时，只需将其特征和目标输入算法。这样，您就不必做任何操作为每首新歌进行再培训

使用最近邻方法：给定一组功能，从您的歌曲中找到最接近的功能集，然后选择该歌曲。也不需要完全重新培训，但可能效率低下

---

你可能还想研究关系关联规则。

如果我是你，我会先尝试一些降维的想法，然后进行多类分类。使用简单的聚类或特征提取算法，你应该能够创建一些歌曲组（10-100组）。如果你将这些群体视为一个类，我认为你将能够很好地学习这些功能，从而能够在给定的环境中推荐你喜欢的歌曲。更不用说，在这之后，问题变得非常容易处理

---

然而，如果你只想要一首“完美”的歌曲，K-最近邻可能是你最好的选择。

如果我是你，我会先尝试一些降维的想法，然后进行多类分类。使用简单的聚类或特征提取算法，你应该能够创建一些歌曲组（10-100组）。如果你将这些组视为课程，我认为你将能够很好地学习这些功能，以便能够在给定的环境中推荐你喜欢的歌曲。更不用说，在这之后，问题变得非常容易处理

---

然而，如果你只想要一首“完美”的歌曲，K-最近邻可能是你最好的选择。

如果我是你，我会先尝试一些降维的想法，然后进行多类分类。使用简单的聚类或特征提取算法，你应该能够创建一些歌曲组（10-100组）。如果你将这些组视为课程，我认为你将能够很好地学习这些功能，以便能够在给定的环境中推荐你喜欢的歌曲。更不用说，在这之后，问题变得非常容易处理

---

然而，如果你只想要一首“完美”的歌曲，K-最近邻可能是你最好的选择。

如果我是你，我会先尝试一些降维的想法，然后进行多类分类。使用简单的聚类或特征提取算法，你应该能够创建一些歌曲组（10-100组）。如果您将这些组视为类，我认为您将能够很好地学习这些功能，以便能够推荐我