我是第二个评论,如果学生必须和大学住在同一个区域,你可能不需要机器学习。如果你想使用ML算法,也许最好考虑一下你必须从哪个数据开始。想到的是一个大学的矢量,每个特征都有一定的主题/区域。然后计算距离矢量的距离,该矢量就像学生的理想特征向量。尽量减少这个距离。
您需要的第一个和最重要的东西是带标签的数据集。
听起来问题可能会被分解成ML问题,但是你首先需要一组正面和负面的例子来训练。
你的数据集有多大?你有什么功能?回答完这些问题后,您可以选择最适合您数据功能的算法。
关于哪种机器学习算法最适合哪项任务,没有硬性规则。你最好的选择是尝试几个,看看哪一个能达到最佳效果。你可以使用 Weka工具包 ,它实现了许多不同的机器学习算法。是的,您可以使用感知器算法来解决您的问题 - 但这并不是说您可以使用它获得良好的效果。
根据您的描述,听起来您尝试解决的问题并不需要机器学习。如果您想要做的就是让学生与在学生感兴趣的领域提供课程的最近的大学相匹配,您可以在没有任何学习的情况下完成这项工作。
也许你可以使用“推荐系统”或聚类方法,你可以更深入地研究“协同过滤”(推荐系统)或k-means(聚类)等技术,但有些人说,首先你需要数据来从中学习,也许你的问题可以在没有ML的情况下解决。
我建议使用决策树来解决这个问题,它类似于一组if else规则。您可以将学生感兴趣的位置和区域作为if和else if语句的条件,然后为他建议一所大学。由于其输入与输出的直接映射,基于规则的解决方案将起作用,并且此处不需要学习。