Machine learning 使用scikit学习预测网站上的好内容

我从一个网站上得到了一年的数据。我想训练一种机器学习算法，根据某些变量（例如字数、发布时间等）预测新内容的成功率

我想获取一个新的数据，输入它的某些特征，并获得它在站点上运行的概率

此外，我希望继续向训练集中添加未来的数据，并不断训练算法，使其随着时间的推移变得更智能

---

我的问题是：我应该如何使用scikit学习来完成这项工作？

您遇到的是一个二进制分类问题，即您必须确定给定的输入是否正确

尝试不同的回归算法，scikits learn可以让切换算法变得非常容易，让您可以看到哪些算法有效，哪些算法无效

在我的脑海中，我会尝试以下几种方法：

• 支持向量机
• 随机森林（scikits中随机树的森林）
• 回归（脊线、套索、IRLS、逻辑）
• 朴素贝叶斯
• k近邻

如何评估给定方法的质量？使用交叉验证（如果您有足够的数据，则重复10次，否则重复5次）。scikits学习手册有一个完整的章节（5.1）专门介绍这一点

向训练集中添加新数据需要重新训练模型。取决于你手头的计算能力，这可能是个问题，也可能不是。如果你有很多例子，添加一个不会有太大的改变，所以一定要用一些新的例子重新训练你的算法。这将节省计算时间

使用训练集的算法称为离线算法。另一方面，在线算法每次出现一个新的例子时都会学习。如果你真的需要，试试在线方法，比如k近邻

如果您需要示例代码，scikit学习文档非常有用： - -

---

如果您构建scikit，则不必阅读0.10版本的文档，而应该阅读最新的稳定文档，或者从github上托管的主分支学习开发版本的文档：