Machine learning 哪种机器学习模型适用于以下情况

我想建立一个基于多种指标识别物种的模型。问题是，神经网络（通常）接收向量，我的指标并不总是容易用数字表示。例如，其中一个指标不仅是物种是否执行某些动作（即，如果动作的本质允许的话，“0”或“1”或介于两者之间的任何动作），有时还包括这些动作的执行顺序。我希望系统能够根据这些指标来决定和分类物种。没有may分类，而是有很多指标。 训练数据的数量不是问题，我可以得到我想要的。

---

我应该考虑什么样的机器学习技巧？也许某种特殊的神经网络就可以了？或者可能是完全不同的东西。

如果您将一系列操作视为字符串，那么使用“已执行的操作”等功能类似于。如果你想说明动作的顺序，你应该添加bigram、trigram等

不过，这会破坏你的功能空间。例如，如果您有

M

可能的操作，则有

M（M-1）/2

bigrams。一般来说，有

（Mk）

k-grams。这导致了以下问题：

• 您拥有的功能越多，应用某些方法就越困难。例如，许多模型都会受到影响
• 您拥有的功能越多，捕获有意义的关系所需的数据就越多

这只是解决问题的一种可能方法。可能还有其他人。例如，如果您知道有一组参数ϴ以已知（至少大致）的方式控制动作生成过程，那么您可以构建一个单独的模型来首先推断这些参数，然后使用ϴ作为特征

---

提出数据的合理数字表示的过程称为。完成后，您可以使用任意的机器学习算法。

您可能想看看内核和mkl是否可以详细说明？很遗憾，现在还没有，对不起。等我有更多的时间再试试，是吗？如果你能将输入标准化为某种形式的向量，任何分类机（bayes/NN/kernels/svm，我忘了什么？）都会做得很好。