¿Cuáles son las mejores API de aprendizaje automático para usar para la predicción?

No hay una respuesta directa a esto. Hay miles de millones de ellos; Sin embargo, puedo intentar resolver el problema que está proponiendo.

Por lo que puedo entender, lo que parece que necesitas es un algoritmo de clasificación para el n. ° 1. Dado un conjunto de entradas, la salida estará predefinida a partir de un conjunto finito. Básicamente es como decir que vas a tener el color de una fruta y la textura de una fruta como insumos, y luego clasificarlos en manzanas y naranjas. Las granadas y los plátanos no serán parte de esta lista.

Si es así, no estaría utilizando una API, sino solo algunas bibliotecas Python simples. Puede instalar scikit-learn, que es una biblioteca de métodos estadísticos para Python. Con esto, puede realizar todo tipo de clasificación, desde bosques aleatorios hasta kNN, ANN y muchos más.

Ahora que sabe qué usar, necesita saber cómo usarlo. Su problema parece requerir un clasificador de árbol de decisión (DTC). Los DTC básicamente le permiten tener una serie de entradas en un orden específico (haga clic en X, luego haga clic en Y, en qué hará clic a continuación) que puede generar una salida determinada. Puede usar un DTC con scikit-learn de la siguiente manera:

# Importar DTC de Scikit
desde sklearn.tree import DecisionTreeClassifier

#Defina sus datos de entrenamiento

# Defina sus entradas como una matriz multidimensional. 0 y 1 podrían representar booleanos para verdadero / falso si hacían clic en X y luego hacían clic en Y
X = [[1, 0], [0, 1]]
#Defina nuevamente sus salidas como booleanos con la misma longitud que su matriz de entrada
y = [0, 1]

#Defina su árbol de decisión
dtc = DecisionTreeClassifier ()
dtc = dtc.fit (X, y)

#Defina sus datos de prueba con el mismo formato que la entrada de capacitación
testx = [[1, 0], [0, 1]]
irritable = [0, 1]

# Prueba tu precisión
correcto = 0
incorrecto = 0
para i, a en enumerate (testx):
si dtc.predict (a) == testy [i]:
correcto + = 1
más:
incorrecto + = 1
print (“Correcto:” + str (correcto))
print (“Incorrecto:” + str (incorrecto))

Hacer esto le permitirá probar la precisión de su árbol de decisión. Una vez que obtenga una precisión bastante decente, puede usar dtc.predict () cuando lo necesite.

En cuanto a la recopilación de datos, sí, tendrá que hacer esto. Al igual que los humanos no pueden tomar una decisión sin previsión y contexto, tampoco las máquinas. Deberá recopilar estos datos o encontrarlos en línea. No estoy seguro específicamente de dónde, pero podría probar Kaggle o la base de datos UCI ML.

No puedo decir si sus datos son útiles o no porque no tengo acceso a sus datos.

1. Sitio web que vende casa, Fex. Cliente A, haga clic en X, luego Y y cuál será Z
2. necesita personalización

Mi cerebro dice cadena mmmmmmarkov … pero, sinceramente, esta descripción es vaga como la mierda y debe ser mucho más clara para rechazar cualquier cosa útil.

Además, la respuesta podría ser fácilmente “hacer su propia API con Python” a menos que sea bastante complejo … especialmente si la solución necesita ser muy personalizada. Incluso si no eres un profesional si sabes lo suficiente como para saber qué hacer, probablemente puedas obtener algunas libs y arrojarle algo a Heroku con bastante facilidad.

Pero sí, sobre todo, necesita más información.

La API BigML [1] es una posible solución.

Aparte de eso, debe consultar el sitio web de PAPIs [2] (primera conferencia de API predictiva). Contiene mucha información

La mejor de las suertes.

Notas al pie

[1] Inicio rápido | API BigML.com

[2] Índice de inicio

Pruebe este proyecto: deepakkumar1984 / sia-cog

Documentos en: http://cog.siadroid.com

Hay una interfaz de usuario para diseñar modelos profundos y entrenarlos.

Si usted es un usuario de hadoop y no desea demasiada codificación, simplemente use Mahout .