Машинное обучение: Должен ли я выбирать классификацию или рекомендацию?

Question

Я не знаю, как я должен подойти к этой проблеме:

У меня есть набор данных. Пользователь может или не может быть частью финансируемой схемы. Я хочу использовать машинное обучение для вывода, что пользователи, не являющиеся частью схемы, были восприимчивы к определенным условиям, например. 1,2,3 и 4. Те, кто в схеме, были восприимчивы к 1,2 и 4. Поэтому можно сделать вывод, что если вы являетесь частью схемы, вы не будете подвержены состоянию 3.

У меня есть вторая связанная с этим проблема. В рамках финансируемой схемы пользователь может иметь два плана (стоимость разных сумм). Я хотел бы видеть, были ли те, кто по более дешевому плану, были восприимчивы к большему количеству условий, чем к более дорогостоящему плану.

Может ли кто-нибудь помочь мне в решении вопроса о том, является ли эта рекомендация или проблема классификации и какими конкретными алгоритмами я должен смотреть?

Спасибо.

Answer 1

Ни один. Это проблема статистики. Ваш набор данных завершен, и вы не говорите о необходимости предсказывать атрибуты будущих предметов или схем, поэтому обучение классификатору или рекомендателю, похоже, не будет служить его обычным целям.

Вы можете использовать условия человека как функции и их схему в качестве цели, классифицировать их с помощью SVM, а затем использовать эффективность классификации/точность в качестве меры отделимости классов. Вы также можете рассмотреть вопрос о кластеризации. Тем не менее, t-тест будет делать то же самое и является гораздо более приемлемым инструментом для обоснования действительности таких требований.

Answer 2

Похоже, вы пытаетесь создать систему, которая будет классифицировать пользователя как финансируемую или не финансируемую, а если не финансировать, то почему они не были профинансированы.

Если это так, то вам понадобится классификатор машинного обучения, который интерпретируется, то есть аргументация, почему классификатор принимает определенное решение, может передаваться пользователям. Вы можете посмотреть деревья решений и (в меньшей степени) RandomForest и Gradient Boosted Trees.