我正在尝试找出如何在房地产交易中最佳匹配借款人和贷款人。假设有一个平台上有一千个贷款人网络。借款人会登录，并被要求提供以下信息：

1. 个人信息和业绩记录（他们完成的项目数量、信用评分、净资产等）
2. 贷款信息（贷款规模、类型、杠杆率等）
3. 项目信息（单位数量、楼层、位置、建筑类型等）

另一方面，贷款人会提供他们同意贷款的标准。例如，贷款人同意向借款人贷款，如果：

1. 他们完成了超过5个项目

2. 信用评分 > 700

3. 净资产 > 贷款金额

4. 50万美元 < 贷款金额 < 500万美元

5. 杠杆率 < 75%

6. 建筑规模 > 10个单位

7. 位置 = CA, AZ, NY, CO

8. 等等…

我想创建一个系统，根据借款人提供的信息和贷款人提供的标准，将贷款人与借款人匹配。理想情况下，系统会为借款人分配1000个分数，代表平台上每个贷款人的“匹配”分数。满足贷款人更多贷款要求的借款人将获得更高的分数，因为匹配应该更好。哪种机器学习算法最适合生成这样的分数？或者这个问题是否可以通过组合优化来解决？

谢谢！

回答：

如果你还没有这个系统，你不太可能有适合机器学习的好数据。

所以先编写一些自定义规则并开始收集数据。一旦你有了数据，就可以做一些事情，比如构建一个逻辑回归模型来估计接受的概率。一旦模型足够好，在A/B测试中击败你自己编写的规则，就切换到机器学习模型。

但在你有数据可以学习之前，你无法启用机器学习的魔法。