Python 我应该为作者预测挖掘哪些算法/概念

我一直在做一件事，希望能 使用我自己的数据集找出专栏作者

我计划使用python库。它有很好的文档， （约100页pdf）。我也向其他图书馆开放 建议

问题是，我迷恋于数据挖掘和机器学习 概念。这方面的工作太多了，算法太多了 概念

我在问方向，我应该学习什么算法/概念， 并搜索我的具体问题

到目前为止，我已经建立了一个类似这样的数据集

| author | feature x | feature y | feature z | some more features |
|--------+-----------+-----------+-----------+--------------------|
| A      |         2 |         4 |         6 | ..                 |
| A      |         1 |         1 |         5 | ..                 |
| B      |        12 |        15 |         9 | ..                 |
| B      |        13 |        13 |        13 | ..                 |

现在，我将获得一个新列并对其进行解析，然后我将拥有所有 本专栏的特色，我的目标是找出 那个专栏的作者是

因为我不是一个ML的家伙，我只能想得到一个之间的距离 选择所有行上的要素，然后选择最近的一行。但我很确定 这不是我应该走的路

---

如果您有足够的训练数据，那么您可以使用kNN（k-最近邻）分类器。它很容易理解，但很强大

检查可能的实现

这里是一个很好的参考，为一个在scikits学习

编辑：此外，这里是的页面。从给定的示例中，您可以很容易地理解它

---

还有，mlpy。

您在mlpy上实现了多种算法，因此您应该很好。我同意Steve L所说的支持向量机很棒，但即使它更容易使用，内部细节也不容易掌握，特别是如果你是ML新手的话

除KNN外，还可以考虑分类树（）和Logistic回归（）。p> 对于初学者来说，决策树的优点是可以生成易于理解的输出，从而更易于调试

另一方面，如果你需要更多的数据，逻辑回归可以给你很好的结果和规模

---

我想说的是，在你的例子中，你会寻找一种算法，在读了一点之后，你会发现它更适合使用。大多数时候，它们都能给你带来非常好的结果。祝你好运

正如其他人所提到的，您可以使用许多算法进行作者归属。kNN是一个很好的起点。此外，您还可以尝试其他几种算法，如Naïve Bayes分类器和神经网络，它们可能提供更准确的预测

我还对作者归属和剽窃检测感兴趣。事实上，我已经使用了上述技术来确定源代码作者身份。通过使用以下研究论文，您可以阅读更多关于这些的信息

[基于机器学习的源代码剽窃检测工具]

[无监督特征学习的源代码作者识别]

---

此外，如果您计划使用Python，还可以查看该库。这也是一个综合性的库，附带了很好的文档。

鉴于您不熟悉ML，我推荐的前三种算法是：

1-逻辑回归 2-朴素贝叶斯 3-支持向量机

---

如果您只对预测性能感兴趣，有足够的培训数据，并且没有遗漏值，那么您会发现使用更复杂的方法（如贝叶斯网络）不会在统计上显著提高预测性能。即使他们这样做了，你也应该从这三种（相对）简单的方法开始，并将它们用作参考基准。

我认为你在这里混淆了一些东西。ann和scikit learn是完全不相关的项目。（后者确实有一个k-NN实现。）哦，我已经澄清了。谢谢。kNN是一个很好的分类器，但是如果你有很多训练数据，它可能会很慢。我建议也尝试一下支持向量机，它也有一个优点。从RBF内核开始。使用它可以对多种类型的数据进行很好的分类。当然有，所以用不同的分类器和它们的参数进行实验吧！哇，我原以为mlpy文档很酷，但我尝试了scikits学习，这太棒了。我已经使用iris数据集完成了kNN的工作，我了解了正在发生的事情，感谢您指出了scikits学习和算法。在我把手弄脏之后，我会按照史蒂夫·L和佩德罗姆的建议看得更远。谢谢大家。