我有一部分训练集
url categoryebay.com/sch/Mens-Clothing-/1059/i.html?_from=R40&LH_BIN=1&Bottoms%2520Size%2520%2528Men%2527s%2529=33&Size%2520Type=Regular&_nkw=Джинсы&_dcat=11483&Inseam=33&rt=nc&_trksid=p2045573.m1684 Онлайн-магазинgoogle.ru/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=%D0%BA%D0%BA%D1%83%D0%BF%D0%BE%D0%BD%D1%8B%20aliexpress%202016 Searchgoogle.ru/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#newwindow=1&q=%D0%BA%D1%83%D0%BF%D0%BE%D0%BD%D1%8B+aliexpress+2016 Searchgoogle.ru/search?q=авито&oq=авито&aqs=chrome..69i57j0l5.1608j0j7&sourceid=chrome&es_sm=122&ie=UTF-8 Searchirecommend.ru/content/kogda-somnenii-byt-ne-mozhet-tolko-klear-blyu-pomozhet Форумы и отзывыebay.com/sch/Mens-Clothing-/1059/i.html?_from=R40&LH_BIN=1&Bottoms%2520Size%2520%2528Men%2527s%2529=33&Size%2520Type=Regular&_dcat=11483&Inseam=33&_nkw=Джинсы&_sop=15 Онлайн-магазинebay.com/sch/Mens-Clothing-/1059/i.html?_from=R40&LH_BIN=1&Bottoms%2520Size%2520%2528Men%2527s%2529=33&Size%2520Type=Regular&_dcat=11483&Inseam=33&_nkw=Джинсы&_sop=15 Онлайн-магазинirecommend.ru/content/gramotnyi-razvod-na-dengi-bolshe-ne-kuplyu-vret Форумы и отзывыgoogle.ru/search?q=яндекс&oq=яндекс&aqs=chrome..69i57j69i61l3j69i59l2.1383j0j1&sourceid=chrome&es_sm=93&ie=UTF-8 Searchgoogle.ru/search?q=авито&oq=авито&aqs=chrome..69i57j69i59j69i60.1095j0j1&sourceid=chrome&es_sm=93&ie=UTF-8 Searchotzovik.com/review_1399716.html#debug Форумы и отзывыsvyaznoy.ru Онлайн-магазинmvideo.ru/smartfony-sotovye-telefony/apple-iphone-2927 Онлайн-магазинmvideo.ru/promo/rassrochka-0-0-12-mark24197850/f/category=iphone-914?sort=priceLow&_=1453896710474&categoryId=10 Онлайн-магазинsvyaznoy.ru/catalog/phone/224/tag/windows-phone Онлайн-магазинgoogle.it/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=%D0%B5%D0%B2%D1%80%D0%BE%D1%81%D0%B5%D1%82%D1%8C Searchvk.com Social network这是url和category之间的关联。另外，我还有测试集，我需要为每个url获取类别。
url vk.com/topic-102849764_32295213stats.stackexchange.com/questions/19048/what-is-the-difference-between-test-set-and-validation-setgoogle.ru/search?q=learning+sample&oq=learning+sample&aqs=chrome..69i57.4063j0j1&sourceid=chrome&ie=UTF-8#newwindow=1&q=machine+learning+test+and+learnfacebook.comlocals.rutvzvezda.ru/news/vstrane_i_mire/content/201609261038-k6n1.htm我不知道应该使用哪种算法来解决这个问题。我需要最佳方法来获得最高的准确性。我认为这是一个问题，因为我有多个类别。
我首先尝试解析html标签title，因为我认为仅凭url无法确定类别。
回答：
基本上，你将字符串分类到类别中。因此，你将使用分类器。但你不会只使用一个分类器，而是会测试几个并选择最准确的一个。
然而首先，你需要考虑每个url的特征。我预计如果你只是将url作为字符串并作为唯一的特征输入，你不会获得很高的准确性。
相反，你将预处理每个url以提取特征。相关/有用特征的选择在很大程度上取决于领域。一个特征可能是：
简单特征
-
直到第一个点的第一个词，例如：facebook对于“facebook.com”
-
整个字符串的长度
复杂特征
想象你为每个集群定义关键词，例如，对于“在线购物”集群，你将定义[promo, buy, shop, sell, price]，然后你可以计算每个集群中字符串中出现的关键词数量作为一个特征
因此，你需要首先继续进行特征工程，其次比较分类器的性能。
额外输入：
编辑：一个例子
url = "irecommend.ru/content/kogda-somnenii-byt-ne-mozhet-tolko-klear-blyu-pomozhet" f1 = len(url) = 76f2 = base = str(url).split("/",1)[0] = "irecommend.ru"f3 = segments = str(a).count("/") = 2更多解决方案来自这里 由Eiyrioü von Kauyf
import stringcount = lambda l1,l2: sum([1 for x in l1 if x in l2])f4 = count_punctuation = count(a,set(string.punctuation))f5 = count_ascii = count(a,set(string.ascii_letters))然而，所有这些例子都是非常简单的特征，并不涵盖URL的语义内容。根据你的目标变量（集群）的深度/复杂度，你可能需要使用基于n-gram的特征，例如这里
