Machine learning 选择机器学习训练方法

我有以下数据已经标准化：

• 客户id
• 客户年龄
• 客户位置
• 房主
• 汽车谷
• 风险因素
• 结婚的
• a包
• b包
• 包c

基于以上所有因素，我想预测一下哪些套餐；无论是A、B还是C，客户都可能会购买

然而，我有点迷失在选择的海洋中。有许多训练方法，如线性感知器、遗传算法、时间序列预测、自联想网络等

我如何知道哪一个可能最适合解决这类有多个输出的问题

编辑：

---

我的问题是基于这样一个假设，即对于这个特定场景有一个最佳策略，因为我知道某些算法在某些场景中使用得更频繁，例如遗传算法在手写识别程序中经常使用。

，因此我建议查找。实际上，您不能简单地确定问题的“最佳分类器”。就我个人而言，我会使用scikit学习和测试一组分类器，并使用适当的训练、测试和交叉验证集，看看最好的结果是什么样的

---

而且，这取决于你的情况。用户是否可以购买多个软件包？

我明白了；我不是在使用python，而是在使用C#/Encog。你是否建议我实施一些不同的策略（你称之为分类器），如感知器、遗传算法等？是的，用户可以购买多个软件包。我建议你找到这些算法的实现。我已经介绍了一些简单的虹膜数据示例（非常流行的机器学习问题）我也看到了旅行推销员的问题。然而，这个问题与那些不同，因为输出的数量是3，而不是像Iris数据集那样只有一个。对这样的问题有什么建议吗？我不知道你的意思。训练分类器以确定此人是否会购买a包，然后训练分类器以确定此人是否会购买B包，然后训练分类器以确定此人是否会购买C包。这很容易。