Machine learning 这个问题是否适合机器学习-brain.js？

我想解决的问题是如何根据一些有序的用户偏好选择火车上最好的座位。他们是否想要一个朝前、朝后（或不在乎）的座位，他们是否想要一个桌子旁的座位，他们是否需要靠近厕所、行李架、自助餐车、门。靠窗/过道的座位。无论他们想要的是左边还是右边的过道（对于有膝盖的人来说可能非常重要！）

大多数客户会指定一个或两个首选项，其他客户可能会指定更多。对于一些人来说，靠近厕所可能是最重要的因素，对于其他人来说，有桌子工作可能是最重要的因素

可能有不止一名乘客（尽管他们有相同的偏好）。这些应尽可能靠近彼此放置。2名乘客最好是坐在一起，或者坐在桌子对面。一组8名乘客最好分成2组4人或4组2人

位置由车厢编号（同一车厢中的座位比不同车厢中的座位好）和车厢内的x/y坐标定义-计算任何一对座位之间的距离非常容易-但计算每一对座位之间的距离是一项艰巨的工作…）

每个[可用]座位（按票证类别预先筛选）将定义上述属性或将其设置为空（对于未知-座位朝向通常未知）

因此，对于培训，我可以提供大量的示例培训和客户偏好，以及最佳的偏好平衡

对于执行，我想提供一个特定于运行时的座椅数组，其中包含属性、一组用户偏好以及这些偏好的一组if权重（例如，乘客1认为靠近厕所最重要，乘客2认为拥有一张桌子最重要，乘客3认为坐在安静的车厢中最重要）最后是乘客人数

输出将是一组座椅（每位乘客一个），在尽可能多地匹配客户偏好（通常不可能匹配所有偏好）和保持座椅彼此相当接近之间达成最佳折衷

我们可能能够在两排座位相隔两排的情况下匹配两个偏好，但在座位相隔10排的情况下匹配三个偏好

显然，距离需要一个与个人偏好相同的权重，并且需要在两者之间进行选择。我想不大于X的距离只会成为客户的一个偏好

我以前没有做过任何ML工作，所以这对我来说都是一个学习练习。我希望我有时间去比赛，看看会有什么结果，但我不，很高兴这样做，但我需要对积极的结果有一个合理的预期，否则我将不得不专注于更传统的方法。有限的时间和所有这些

因此，我的问题是：

这是一个适合机器学习的问题吗

如果是的话，brain.js是一个不错的选择，还是其他更合适的方法？AWS ML服务可能吗

关于如何将我的所有数据组织成适合ML引擎处理的内容，有什么建议吗

---

机器学习善于发现复杂数据中的隐藏模式。在您的情况下，您需要大量的数据，其中用户偏好已经与最佳座位安排相匹配

然后，您可以尝试查看ML模型本身是否能够实现最佳座位安排。这是一个有趣的问题，但也可能导致意外的座位：）

---

如果你没有培训数据，你可以通过登记人们坐在哪里，了解他们的偏好，实时收集数据。

机器学习善于在复杂数据中发现隐藏的模式。在您的情况下，您需要大量的数据，其中用户偏好已经与最佳座位安排相匹配

然后，您可以尝试查看ML模型本身是否能够实现最佳座位安排。这是一个有趣的问题，但也可能导致意外的座位：）

如果你没有培训数据，你可以通过登记人们坐在哪里，了解他们的喜好，实时收集培训数据