Validation 使用机器学习验证电话号码

所以我希望验证用户输入的电话号码

到目前为止，我一直在使用正则表达式。但是由于来自世界各地的不同电话号码格式，维护Regex变得越来越困难

因为我有很多有效电话号码的数据集，所以我认为使用机器学习算法是可能的

因为我之前没有任何机器学习的经验，所以我尝试使用scikitlearn SVM对其进行原型化。它不起作用

现在，如果这是机器学习算法的一个很好的用例，我会很好奇。如果是，我应该查找哪些资源？

---

如果没有，那么除了机器学习之外，还有什么其他方法可以创建一个易于扩展的电话号码验证？

这只是一个计算机编程的例子，您可能需要将代码重构成某种类，负责验证来自不同国家的电话号码

同样从正则表达式的角度来看，这里也提出了更新国际电话号码的问题：最好的答案是使用以下正则表达式：

\+(9[976]\d|8[987530]\d|6[987]\d|5[90]\d|42\d|3[875]\d|
2[98654321]\d|9[8543210]|8[6421]|6[6543210]|5[87654321]|
4[987654310]|3[9643210]|2[70]|7|1)\d{1,14}$

关于机器学习，这里有一个很好的总结，可以总结在下面的列表中：

这是A还是B

这奇怪吗

多少

它是如何组织的

接下来我该怎么办

---

查看博客文章（文章中还有视频）了解更多详细信息。你的问题实际上不符合上述五个类别中的任何一个

这只是一个计算机编程的例子，您可能需要将代码重构成某种类，负责验证来自不同国家的电话号码

同样从正则表达式的角度来看，这里也提出了更新国际电话号码的问题：最好的答案是使用以下正则表达式：

\+(9[976]\d|8[987530]\d|6[987]\d|5[90]\d|42\d|3[875]\d|
2[98654321]\d|9[8543210]|8[6421]|6[6543210]|5[87654321]|
4[987654310]|3[9643210]|2[70]|7|1)\d{1,14}$

关于机器学习，这里有一个很好的总结，可以总结在下面的列表中：

这是A还是B

这奇怪吗

多少

它是如何组织的

接下来我该怎么办

查看博客文章（文章中还有视频）了解更多详细信息。你的问题实际上不符合上述五个类别中的任何一个

给定的任务受语法限制+遵守管理程序 机器学习需要这样一个超集训练数据集，以满足（霍夫丁不等式约束的）预测错误率，这对于低水平目标来说，目前基本上（几乎）不可能安排训练

因此，即使是正则表达式工具也（几乎）在猜测，因为E.164“地址”的终端部分（几乎）无法维护全局地址空间

概率ML学习者可能会在这里得到某种意义上的利用，但再次强调，他们甚至会有意识地猜测（通过提供每一个这样的猜测所达到的置信水平的工作估计，这是一种安慰）

为什么？ 因为每个电话号码（这里我们不假设词汇上的不规则和类似的修饰细节）都必须符合全球一套法规（ITU-T管辖），那么在较低的级别上，受国家一套法规（多方管辖），最后有两个不同的电话号码E.164——“地址”-作业程序，不会让故事变得简单一点

---

ITU-T

RFC 4725

-简要视图： 只是为了实现分布式规则的层次结构，将其引入（绝对语法-分布式治理）E.164数字块分析（下至单个数字）

RFC 4725枚举验证体系结构2006年11月
中描述了E.164编号分配的这两种变体
图2：
+--------------------------------------------+
|国际电信联盟（ITU）|
+--------------------------------------------+
|
国家代码（例如+44）
|
v
+-------------------------------------------+
|国家数字计划管理员（NNPA）|------------+
+-------------------------------------------+            |
|                                    |
数字范围|
（例如，+44207946 xxxx）|
|                                    |
五|
+--------------------------------------+               |
|通信服务提供商（CSP）||
+--------------------------------------+               |
|                                    |
|单数
单个数字（例如+44 909 8790879）
或数字块（变体2）
（例如，+44 20 7946 0999，+44 20 7946 07xx）|
（备选案文1）|
|                                    |
五|
+----------+                               |
|受让人|给定任务受语法限制+受监管程序约束
机器学习需要这样一个超集训练数据集，以满足（霍夫丁不等式约束的）预测错误率，这对于低水平目标来说，目前基本上（几乎）不可能安排训练

因此，即使是正则表达式工具也（几乎）在猜测，因为E.164“地址”的终端部分（几乎）无法维护全局地址空间

概率最大似然学习者可能会