我應該爲作者預測挖掘哪些算法/概念

Question

我一直在努力嘗試 通過使用我自己的數據集找出列的作者。

我打算使用mlpy python庫。它有很好的文檔， （約100頁pdf）。我也開放給其他圖書館 的建議。

事情是，我迷失在數據挖掘和機器學習 的概念。它有太多的工作，太多的算法和概念。

我在問方向，我應該學什麼算法/概念， 和搜索我的具體問題。

到目前爲止，我已經構建了一個類似這樣的數據集。現在

| 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 | ..     | 

，我會得到一個新的列，並對其進行分析，之後，我將會對列的所有 的功能，我的目的是要弄清楚該列的 作者是誰。

由於我不是ML傢伙，我只能想到在所有行上的 功能之間的距離，並選擇最接近的一個。但我很確定 這不是我應該去的方式。

我會很感激的任何指示，鏈接，朗誦等

Answer 1

如果你有足夠的訓練數據，那麼你可以使用k近鄰（k近鄰）分類爲你的目的。它很容易理解，但功能強大。

檢查scikits.ann的可能實現。

This tutorial這裏是scikits-learn中的一個很好的參考。

編輯：另外，這邊是kNN of scikits-learn的頁面。從給定的例子中你可以很容易地理解它。

而且，mlpy也是seems to have kNN。

Answer 2

你有mlpy上實現的算法的廣泛選擇，所以你應該沒問題。當我說支持向量機很棒時，我同意Steve L的觀點，但即使更容易使用內部細節也不容易掌握，特別是如果你是ML新手。

除了kNN，您可以考慮分類樹（http://en.wikipedia.org/wiki/Decision_tree_learning）和Logistic迴歸（http://en.wikipedia.org/wiki/Logistic_regression）。

對於初學者來說，決策樹的優點是可以產生一個易於理解並因此更容易調試的輸出。

邏輯迴歸另一方面，可以給你很好的結果和規模很好，如果你需要更多的數據。

我會說，在你的情況下，你會尋找算法，讀一點後，你會發現更舒適的工作。大多數時候，他們都非常有能力給你非常好的結果。祝你好運！

Answer 3

正如其他人所提到的，您可以使用大量算法進行作者身份歸屬。 kNN是一個很好的起點。此外，您可以嘗試其他幾種算法，如Logistic Regression，樸素貝葉斯分類器和神經網絡，這些算法可能會提供更準確的預測。

我也對作者歸屬和抄襲檢測感興趣。事實上，我已經使用上述技術來源代碼作者歸屬。你可以閱讀更多關於這些，通過使用以下研究論文。

1. http://www.ijmlc.org/papers/50-A243.pdf [A基於機器學習的工具源代碼抄襲檢測]
2. http://dl.acm.org/citation.cfm?id=2423074 [來源代碼作者的識別與無監督功能學習]

此外，如果你打算使用Python，你也可以看看http://scikit-learn.org/stable/庫。這也是一個全面的庫，它有一個很好的文檔。

Answer 4

既然你不熟悉的ML，前三個算法，我建議是：

1- Logistic迴歸 2-樸素貝葉斯 3-支持向量機

如果你只對預測性能感興趣，擁有足夠的訓練數據並且沒有缺失值，您會發現使用更復雜的方法（如貝葉斯網絡）不會導致預測性能的統計顯着改善。即使他們這樣做，您應該從這三個（相對）簡單的方法開始，並將它們用作參考基準。