如何评估 5 个数据点与 1 个目标数据点的相似程度

Question

我正在努力解决我需要解决的问题。

假设我们有一个汽车数据集 (1)，其中包含许多具有不同特征（id、年龄、里程、颜色、型号……）的不同汽车。另一方面，我们有另一个数据集 (2)，其目标汽车具有相同的特征。唯一不同的是，dataset1 有一个名为 comp_id 的附加列。此列将数据集 2 中的汽车与数据集 1 中的可比汽车联系起来。所以基本上 dataset1 中有 5 辆汽车与 dataset2 中的 1 辆汽车相似。

• Dataset1 将有 1000 个数据点（可比较的汽车）
• Dataset2 将有 200 个数据点（目标汽车）

我很困惑如何解决这个问题：首先，我什至不知道我应该采用有监督还是无监督的方法。另外，我如何确定哪些特征与被选为可比汽车相关？

在不涉及太复杂的东西的情况下，我的第一个想法是：

1. 受监督

• 逻辑回归：根据是否选择创建一个具有二元结果的“选择”变量，并将每个目标 (1) - 可比对象 (5) 对视为训练集。就好像我在做 200 次交叉验证，每次都有不同的目标 - 可比对。

2. 无人监管

• 为每辆可比较的汽车（与一个目标相比）创建相似度分数（例如余弦相似度或欧氏距离），排名并进入前 5 名。

我也很想听听你们的想法，听听你们的想法。

提前非常感谢！

Answer 1

对我来说，这听起来更像是一个无监督的问题，而不是一个有监督的问题。除此之外，只有 1200 个数据点，我宁愿不进入 k-fold 以获得良好的准确性指标。

如果您最终选择使用距离度量对其进行建模，请注意相应地对分类变量（颜色、模型...）进行建模。