我有一个包含大约10万条记录的客户购买模式数据集。数据集中包含以下信息：

• 年龄（连续值，从2到120），但我计划将其分类为年龄范围。
• 性别（0或1）
• 地址（只能是六种类型，或者我也可以用1到6的数字来表示）
• 偏好商店（只能从7家商店中选择），这是我的分类问题。

因此，我的任务是根据客户的年龄、性别和地址来分类和预测他们偏好的商店。我尝试使用了朴素贝叶斯和决策树，但它们的分类准确率略低。

我也在考虑使用逻辑回归，但对于像性别和地址这样的离散值，我不太确定。此外，我还考虑使用支持向量机（SVM）并尝试一些核技巧，但尚未尝试。

那么，您建议使用哪种机器学习算法来提高这些特征的分类准确率呢？

回答：

问题在于您将标称变量表示为连续尺度，这在使用机器学习方法时会强加一个（虚假的）顺序关系。例如，如果您将地址编码为六个可能的整数，那么地址1与地址2的距离就比它与地址3、4、5、6的距离更近。这在尝试学习任何东西时都会引起问题。

相反，将您的6值分类变量转换为六个二进制变量，每个分类值一个。您的原始特征将产生六个特征，其中只有一个会始终处于激活状态。另外，保持年龄为整数值，因为将其变为分类会丢失信息。

至于方法，起初不太可能有太大区别。选择对您来说最容易实现的方法即可。然而，在对测试集运行之前，请确保在开发集上运行某种交叉验证参数选择，因为所有算法的参数都会显著影响学习准确率。