对 10 位数字键进行分类的算法
Algorithm to classify 10 digit keys
我正在寻找一种算法来对格式不同的 10 位数字（大部分）整数键进行分类。训练数据集如下所示：
+------------+----------------+
| key | classification |
+------------+----------------+
| 1000012355 | US |
| 1000045331 | US |
| 0000123101 | DE |
| 0003453202 | DE |
| 000K213411 | ES |
| 000K243221 | ES |
+------------+----------------+
这些密钥来自不同的系统，并且以不同的方式创建。有大量可用的训练数据集。虽然我假设这些密钥的某些部分是随机的，但结构不是。
任何帮助将不胜感激。
您可以对每个字符进行一次性编码，然后将它们连接起来。
也就是说，假设您有 20 个可能的字符，密钥中的这 10 个字符中的每一个都可以使用。然后，您可以将每个字符转换为长度为 20 的零向量，其中 1 位于与特定字符对应的位置。然后，您将拥有一个长度为 10 * 20 = 200 的整体特征向量。然后您可以将其作为输入输入到任何分类算法中，目标输出是可能的国家/地区。
如果这确实是确定性的，并且键可以分开，那么决策树可能会找到完美的解决方案。甚至逻辑回归？如果有一些 'fuzziness' 那么像随机森林这样的东西可能会更好。
在构建模型、训练和 predicting.It 之前最好先分析问题，您假设这些键的某些部分是随机的，结构是 not.You 需要探索数据集证明你的假设，根据数据的分布，决定使用什么模型。
- 将字符串转化为向量，将字符串中的每个字符作为一个分类特征，使用one-hot编码，得到一个高维稀疏矩阵。完成这一步后，就可以对训练数据进行计算、分析、建模等操作了。
- 然后你需要分析数据。一种简单有效的方法是可视化analysis.For高维数据，可以使用andrews curves, parallel coordinates等on.You也可以使用PCA或ICA等降维方法，然后可视化低维数据。
- 根据你的可视化结果，你可以根据特征分布选择你的model.If，不同类别的数据很容易划分，你几乎可以使用任何class化算法，比如LR ,SVM甚至clustering.If是multiclass的问题，可以用OVO或者OVR.If可视化效果差，classes区分不明显，可能需要做一些特征工程，或者尝试树模型和集成学习方法。
我正在寻找一种算法来对格式不同的 10 位数字（大部分）整数键进行分类。训练数据集如下所示：
+------------+----------------+
| key | classification |
+------------+----------------+
| 1000012355 | US |
| 1000045331 | US |
| 0000123101 | DE |
| 0003453202 | DE |
| 000K213411 | ES |
| 000K243221 | ES |
+------------+----------------+
这些密钥来自不同的系统，并且以不同的方式创建。有大量可用的训练数据集。虽然我假设这些密钥的某些部分是随机的，但结构不是。
任何帮助将不胜感激。
您可以对每个字符进行一次性编码，然后将它们连接起来。
也就是说，假设您有 20 个可能的字符，密钥中的这 10 个字符中的每一个都可以使用。然后，您可以将每个字符转换为长度为 20 的零向量，其中 1 位于与特定字符对应的位置。然后，您将拥有一个长度为 10 * 20 = 200 的整体特征向量。然后您可以将其作为输入输入到任何分类算法中，目标输出是可能的国家/地区。
如果这确实是确定性的，并且键可以分开，那么决策树可能会找到完美的解决方案。甚至逻辑回归？如果有一些 'fuzziness' 那么像随机森林这样的东西可能会更好。
在构建模型、训练和 predicting.It 之前最好先分析问题，您假设这些键的某些部分是随机的，结构是 not.You 需要探索数据集证明你的假设，根据数据的分布，决定使用什么模型。
- 将字符串转化为向量，将字符串中的每个字符作为一个分类特征，使用one-hot编码，得到一个高维稀疏矩阵。完成这一步后，就可以对训练数据进行计算、分析、建模等操作了。
- 然后你需要分析数据。一种简单有效的方法是可视化analysis.For高维数据，可以使用andrews curves, parallel coordinates等on.You也可以使用PCA或ICA等降维方法，然后可视化低维数据。
- 根据你的可视化结果，你可以根据特征分布选择你的model.If，不同类别的数据很容易划分，你几乎可以使用任何class化算法，比如LR ,SVM甚至clustering.If是multiclass的问题，可以用OVO或者OVR.If可视化效果差，classes区分不明显，可能需要做一些特征工程，或者尝试树模型和集成学习方法。