什么样的数据科学编程算法就像连续变量的朴素贝叶斯？

Question

我正在努力建立和训练一种机器学习数据科学算法，它能正确地预测总统在哪个县获胜。我有以下培训数据的信息。

总人口、年龄中位数%、BachelorsDeg或更高失业率、人均收入失业率、家庭平均规模百分比、业主自住住房百分比、租住住房百分比、空置住房、住房价值中值、人口增长率、人均收入增长赢家

我是数据科学的新手。我知道朴素贝叶斯是一个很好的分类器，用于尝试多属性预测的算法。然而，我读到了第一步，因为朴素贝叶斯分类器需要一个频率表。我的问题是，上述所有属性都是连续的数值性质，不属于“是”或“否”的类别。那么，我不使用朴素的Bayes分类器吗？

我也考虑过使用k最近邻算法，但这看起来并不是最精确的，而且对我来说，对属性的权重也是最正确的……我正在寻找一个监督的算法，因为我有训练数据。有人能给我推荐使用哪种算法吗？此外，作为一个新的领域，我如何才能弄清楚我自己在未来使用什么样的算法。

Answer 1

您可以使用人工神经网络。

论文

• 基于两层PERCEPTRON网络的选举结果预测，G.S.
• 利用自组织地图分析2008年美国总统选举中的人口统计和摇摆州投票“保罗·皮尔森和卡梅隆·I·库珀著

工具/图书馆

要创建、训练、测试和评估神经网络，您可以使用以下几个库：

• Google TensorFlow (Python和C++)
• 意式宽面 (Python)

Answer 2

对于朴素贝叶斯，你可以离散你的连续数值性质。

例如，对于"%所有者自用住房“，您将所有100%的比例分割成10个分区(0-10%，10-20%，.，90-100%)，并得到频率表。

对于某些属性，您可以移动到二进制值:失业率< 30% -是/否。

学习机器祝你好运:)