我正在寻找能够帮助我为现有数据库推荐最佳匹配记录的解决方案。我考虑使用机器学习来完成这项任务。
我有一组数据描述了用户对电影的选择：电影，年龄，性别，电影分级（0-10）（未来会有更多参数）
然后，我想得到的是一个解决方案，帮助我找到最佳的电影推荐参数。因此，用户将输入：20岁，男性，电影评分8+
我的结果是，我想收到这个参数的最佳匹配电影。
我正在考虑决策森林回归，但也许还有其他方法可以做到这一点。
没有直接的算法来解决你的问题，因为你在其中添加了年龄、性别、评级等多个特征。为了实现你的目标，你可以使用多个低秩矩阵分解算法，如SVD或ALS，来查找矩阵的缺失值（协作过滤）。然后你需要应用分类算法来根据年龄（20岁以上）对8部以上评级的电影进行分类，性别（男性）并取其交点。
实现这一点的一种方法是使用矩阵分解来查找矩阵的缺失值。对于您的问题，许多用户将不会对数据库中的许多电影进行电影评级。因此，你可以使用矩阵分解来填充（近似）矩阵，然后根据不同电影的评分，向用户推荐电影。
为了方便起见，只需使用朴素贝叶斯。它会让你在测试中达到80%以上的准确率，而对于电影推荐之类的事情，它的准确率并不能达到100%。