我正在为一个在线市场网站实施一个新的供应商排名系统。我希望根据一个综合评分从高到低对供应商进行排序。目前，我考虑使用线性模型来计算评分，类似于

score = w1 * f1 + w2 * f2 + w3 * f3....

其中f1, f2, ….是不同的特征（例如：平均评价分数、订单取消率、响应率等），w1, w2 …是这些特征对应的权重。

我希望对每个供应商的每个项目进行0到100的评分，并根据此评分对项目进行排序。

我遇到的困难是如何为每个特征分配最优权重。有没有办法分配权重来优化某些东西，比如用户购买的概率，或者更难以捉摸的质量？经过一些搜索，我发现了一些论文显示使用PCA来创建某些综合指数。但由于我不太熟悉PCA，我并不完全确定它是否适合这种情况。

如果有人能指导我走上正确的道路，我将非常感激。如果我解决这个问题的方法完全错误，我也很感激有人能指出这一点。

回答：

这看起来像是你的标准监督学习问题。根据你是否有足够的标记数据，你可以应用一些简单的训练方法，如线性回归（http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html），或者更复杂的方法，如提升（http://xgboost.readthedocs.io/en/latest/python/python_intro.html）。你的数据标签可以是用户购买的频率，使这成为一个回归问题。