许多机器学习比赛在Kaggle举行，其中给出训练集和一组特征和测试集，其输出标签将通过利用训练集来决定 .
很明显，这里有监督学习算法，如决策树，SVM等 . 我的问题是，我应该如何开始解决这些问题，我的意思是从决策树或SVM或其他算法开始，还是有其他方法，即我将如何决定？
所以，在读你的帖子之前，我从未听说过Kaggle - 非常感谢你，它看起来很棒 . 在探索他们的网站后，我找到了一个可以指导你的部分 . 在competitions page（点击所有比赛），你会看到Digit Recognizer和Facial Keypoints Detection，这两个都是比赛，但是出于教育目的，提供了教程（教程不适用于面部关键点检测，因为比赛在其中除了一般的论坛，比赛也有论坛，我想这是非常有帮助的 .
如果你对机器学习的数学基础很感兴趣，而且它相对较新，我可以建议Bayesian Reasoning and Machine Learning . 它比同行友好得多，没有严格的损失 .
EDIT: 我在Kaggle上找到了tutorials page，这似乎是他们所有教程的摘要 . 此外，_scikit-learn，一个python库，提供了大量的机器学习算法的描述/解释 .
这个备忘单http://peekaboo-vision.blogspot.pt/2013/01/machine-learning-cheat-sheet-for-scikit.html是一个很好的起点 . 根据我的经验，同时使用多种算法通常可以提供更好的结果，例如逻辑回归和svm，其中每个算法的结果都具有预定义的权重 . 并测试，测试，测试;）
数据挖掘中有No Free Lunch . 在尝试大量方法之前，您不会知道哪种方法最有效 .
话虽如此，在数据挖掘的可理解性和准确性之间也存在权衡 . 决策树和KNN往往是可以理解的，但不如SVM或随机森林准确 . Kaggle寻求高度准确性而不是可理解性 .
它还取决于属性的数量 . 有些学习者可以处理许多属性，例如SVM，而有些属性很慢，有很多属性，比如神经网络 .
您可以通过使用PCA缩小属性数量，这在几个Kaggle比赛中有所帮助 .
3 回答
所以，在读你的帖子之前，我从未听说过Kaggle - 非常感谢你，它看起来很棒 . 在探索他们的网站后，我找到了一个可以指导你的部分 . 在competitions page（点击所有比赛），你会看到Digit Recognizer和Facial Keypoints Detection，这两个都是比赛，但是出于教育目的，提供了教程（教程不适用于面部关键点检测，因为比赛在其中除了一般的论坛，比赛也有论坛，我想这是非常有帮助的 .
如果你对机器学习的数学基础很感兴趣，而且它相对较新，我可以建议Bayesian Reasoning and Machine Learning . 它比同行友好得多，没有严格的损失 .
EDIT: 我在Kaggle上找到了tutorials page，这似乎是他们所有教程的摘要 . 此外，_scikit-learn，一个python库，提供了大量的机器学习算法的描述/解释 .
这个备忘单http://peekaboo-vision.blogspot.pt/2013/01/machine-learning-cheat-sheet-for-scikit.html是一个很好的起点 . 根据我的经验，同时使用多种算法通常可以提供更好的结果，例如逻辑回归和svm，其中每个算法的结果都具有预定义的权重 . 并测试，测试，测试;）
数据挖掘中有No Free Lunch . 在尝试大量方法之前，您不会知道哪种方法最有效 .
话虽如此，在数据挖掘的可理解性和准确性之间也存在权衡 . 决策树和KNN往往是可以理解的，但不如SVM或随机森林准确 . Kaggle寻求高度准确性而不是可理解性 .
它还取决于属性的数量 . 有些学习者可以处理许多属性，例如SVM，而有些属性很慢，有很多属性，比如神经网络 .
您可以通过使用PCA缩小属性数量，这在几个Kaggle比赛中有所帮助 .