您会针对此特定方案建议哪种数据挖掘算法？

Question

这不是与编程直接相关的问题,而是关于选择正确的数据挖掘算法.

我想从他们的名字,他们居住的地区,以及他们是否有互联网产品推断出人们的年龄.它背后的想法是:

• 有些名字在特定的十年中是老式或流行的(名人,政治家等)(这可能不在美国,但在感兴趣的国家是真的),
• 年轻人往往生活在人口密集的地区,而老年人更喜欢乡村,而且
• 年轻人比老年人更多地使用互联网.

我不确定这些假设是否成立,但我想测试一下.所以我所拥有的是来自我们客户数据库的100K观察结果

• 约.500个不同的名称(名义输入变量,类别太多)
• 20个不同的区域(标称输入变量)
• Internet是/否(二进制输入变量)
• 91个不同的出生年份(数值目标变量,范围:1910-1992)

因为我有很多名义输入,所以我不认为回归是一个很好的选择.因为目标是数字的,所以我认为决策树也不是一个好选择.任何人都可以建议我适用于这种情况的方法吗？

Answer 1

新答案

我会尝试使用回归，但以我指定的方式。我会尝试对每个变量进行二值化（如果这是正确的术语）。互联网变量是二进制的，但我会将其变成两个单独的二进制值。我会用一个例子来说明，因为我觉得这样会更有启发性。对于我的示例，我将仅使用三个名称（Gertrude、Jennifer 和 Mary）和互联网变量。

我有4个女人。以下是他们的数据：

Gertrude, Internet, 57
Jennifer, Internet, 23
Gertrude, No Internet, 60
Mary, No Internet, 35

我将生成一个矩阵 A，如下所示（每一行代表列表中的相应女性）：

[[1,0,0,1,0], 
 [0,1,0,1,0],
 [1,0,0,0,1],
 [0,0,1,0,1]]

前三列代表名称，后两列代表互联网/无互联网。因此，各列代表

[Gertrude, Jennifer, Mary, Internet, No Internet]

您可以继续使用更多名称（名称为 500 列）和区域（名称为 20 列）来继续执行此操作。然后您将只需解决标准线性代数问题 A*x=b，其中上例中的 b 是

b=[[57],
   [23],
   [60],
   [35]]

您可能担心 A 现在将是一个巨大的矩阵，但它是一个巨大且极其稀疏的矩阵，因此可以非常有效地以稀疏矩阵形式存储。每行有 3 个 1，其余为 0。然后您可以使用稀疏矩阵求解器来求解此问题。您需要对生成的预测年龄进行某种相关性测试，以了解其效果如何。