我有数以千计的向量，每个向量约有20个。
鉴于一个查询向量和一组潜在匹配，我希望能够选择最佳N匹配。
我花了几天时间尝试回归（使用SVM），使用我自己创建的数据集训练模型：每个向量是查询向量和结果向量的串联，我给出了一个分数（主观评估）0到1,0之间完美匹配，1表示最差匹配。
我没有取得很好的成绩，我相信有一个原因可能是主观上很难分配这些分数。另一方面，更容易的是主观地对结果进行排名（score是一个未知函数）：
score(query, resultA) > score(query, resultB) > score(query, resultC)
所以我相信这更像Learning to rank的问题而且我找到了Python的各种链接：
但我无法理解它是如何运作的。我真的很困惑所有的术语，成对排名等...（请注意，我对机器学习一无所知，因此我感觉有点迷失）等......所以我不喜欢了解如何将此问题应用于我的问题。
有人可以帮助我澄清事情，指出我想解决的问题的确切类别，甚至更好的我如何用Python实现这一点（scikit-learn）？
答案 0 :(得分：5)
在我看来，您要做的是简单地计算查询与其余数据之间的距离，然后将最接近的N个向量返回到查询中。这是一个搜索问题。 没有排序，您只需测量查询与数千个向量之间的距离＆＃34;。最后，您对距离进行排序并获取最小的N值。这些对应于查询中最相似的N个向量。
为了提高比较效率，您可以使用KD-Trees或其他有效的搜索结构：http://scikit-learn.org/stable/modules/neighbors.html#kd-tree
然后，看看Lp空间的维基百科页面。在选择适当的指标之前，您需要考虑数据及其表示：
对于实值特征空间，欧几里德距离（L2）通常是使用的选择度量，有20个特征你应该没问题。从这个开始。否则，您可能需要考虑城市街区距离（L1）或其他指标，如Pearson相关性，余弦距离等。 在完成任何其他操作之前，您可能需要对数据进行一些工程设计。
如果没有，请尝试扩展您的功能。这通常是一个试验和错误的问题，因为某些功能可能会有噪音，在这种情况下缩放可能没有帮助。 要解释这一点，请考虑具有两个特征的数据集：高度和重量。如果高度以厘米（10 ^ 3）为单位且重量以千克（10 ^ 1）为单位，那么您应该将cm转换为米，这样两个特征的重量相等。对于具有多种值的特征空间，这通常是一个好主意，这意味着您有两个特征的大量值。理想情况下，您希望所有功能都能正常分布，只有一点噪音 - 请参阅中心极限定理。
如果您正在使用实值数据，则可以使用主成分分析（PCA）对要素进行排名，并仅保留相关要素。 否则，您可以尝试选择功能http://scikit-learn.org/stable/modules/classes.html#module-sklearn.feature_selection 减小空间的尺寸可以提高性能，但在您的情况下并不重要。
如果您的数据包含连续，分类和二进制值，则可以扩展或标准化数据。使用您对数据的了解来提供适当的表示。这是大部分工作，或多或少是黑色艺术。试错。
作为旁注，基于度量的方法（如knn和kmeans）只是存储数据。学习从记忆结束开始。