Machine learning 使用我的汽车数据集进行机器学习

我对机器学习很陌生。 我有一个数据集，包含f1比赛给我的数据。用户正在玩这个游戏，并给我这个数据集。 使用机器学习，我必须处理这些数据，当用户（我知道他们10岁）玩游戏时，我必须识别谁在玩

---

数据由发生频率为1/10秒的数据报数据包组成，数据包包含以下

时间、圈数、圈距、总距离、速度、轿厢位置、牵引力控制、最后一圈时间、燃油、档位等

我曾想过使用一个kmeans，以一种有监督的方式使用。
哪种算法可能更好？
这是一个比较宽泛的问题，所以我会尽我最大的努力

kmeans是一种无监督的算法，这意味着它会找到类本身，当你知道有多个类，但你不知道它们到底是什么时，最好使用它。。。将它与带标签的数据一起使用只意味着您将计算新向量v到数据集中每个向量的距离，并选择一个（或使用多数投票的向量）给出最小距离，这不被视为机器学习

在这种情况下，当您有标签时，受监督的方法将产生更好的结果

我建议尝试一下，首先，这些是最基本和最常用的算法，它们给出了非常好的结果

如果你还没有达到预期的精度，你可以使用深度学习，建立一个神经网络，输入层与你的数据包的值一样大，输出层与类的数量相同，在这两者之间，你可以使用一个或多个隐藏层与不同的节点，但这是一种先进的方法，在追求它之前，你们最好先在机器学习领域积累一些经验

注：数据是一个时间序列，这意味着每个驾驶员都有自己驾驶汽车的行为，因此数据应该被视为大量的点，有了这些点，你可以应用模式匹配技术，也有一些神经网络正是为这些数据构建的（如）但这是一项非常先进的任务，而且要实现起来要困难得多。
这项任务必须是多类分类。任何机器学习活动的第一步都是定义分数度量（）。这允许您比较模型之间的差异，并决定哪一个更好。然后按照另一个答案中的建议，用随机森林或/和逻辑回归建立一个基础模型——它们在开箱即用的情况下表现良好。然后尝试使用功能，了解其中哪些信息更丰富。不要忘了可视化——它们为数据争论等提供了很多提示。
没有任何明确的答案，你必须尝试多种分类算法，看看什么最有效，也许你可以稍微描述一下你的数据。。。它可能有助于指导您正确的方向每1/10秒用户都会给我一个数据包，其中包含：时间、圈数、圈距、总距离、速度、车辆位置、牵引力控制、最后一圈时间、燃油、档位、，..@gio无需在评论中重复您在帖子中已经包含的内容…@desertnaut我编辑他的帖子以反映评论，这增加了新数据。。。你可以像其他人一样贬低我的答案，至少你会有一个理由非常感谢你。。你觉得svm怎么样？是的，你也应该试试，它有一个问题，需要数据是线性可分离的，否则需要使用核函数将数据转换到更高的维度，但这也是一个好的开始