我有一个PHP/MySQL应用程序，用于存储症状和适当的药物。我应该使用什么机器学习算法来预测药物的任何症状。此外，培训集的形式是什么？
在ML中，对于这种情况没有"最佳解决方案"，几乎总是有这种方法/数据满足我的需求吗？因此，尝试使用简单的ML技术（例如决策树），如果不起作用，请尝试更复杂的技术。如果不起作用，请尝试更改数据，。。。
好吧，你的数据最终会是这样的：
row_id symptom_x symptom_y degree_of_symptom_z ... best_drug
1 false true 0.8 drug_x
2 true null 0.0 drug_q
你将使用统计分类器根据症状来学习最佳药物。然后你会给它喂食新的症状，它会指示最好的药物。
可能会有很多可用的症状，所以算法需要能够处理许多列。
我会从支持向量机开始，也会尝试逻辑回归。
查看RapidMiner。
我认为您最好的选择是确定一个在您的环境中集成良好的实体库。
一般情况下：
- 好的数据几乎总是有帮助的：即预处理数据以提取你认为对人类也有用的特征（"摘要"）
- 避免无用的功能：喜欢少数好的功能，而不是那些可能会有所帮助的棘手功能
- 请注意，不太可能出现神奇的黑盒：你需要调整你的算法。大多数ML算法都有几个所谓的"超参数"，这些参数会影响算法的工作方式；例如学习率；平滑；窗口大小等
- 既然这不是一个黑匣子，那就找一些机器学习的介绍，至少对这些技术的工作方式和原因有一个基本的了解。从ML算法中很容易得到完全的废话，所以至少对这些东西的工作原理有一些了解是很重要的，这样你就可以适当地设置你的问题
- 先尝试一些真正简单的东西，比如最近的邻居（你需要一个距离度量）。这可能已经足够了
虽然我最近没有使用过SVM，但我相信如果NN不够好的话，SVM仍然可能是你的最佳选择。这不是时髦的新东西，但它们通常都很好，没有太多的调整。但是，使用一个调整良好的弱算法（即一个有你理解的文档的算法，以及一个可以尝试大量超参数变化的实现）几乎总是比使用调整不佳的强算法更好。当然，如果你真的不知道自己在做什么。
换句话说：保持简单，并确保在特征选择阶段使用大量常识。
看到这个问题可能有很多未知变量，我建议使用贝叶斯网络来处理它。
这只是基于简短描述和之前使用医学诊断软件（如WebMD和其他软件）的经验的猜测。
与大多数其他ML算法相比，贝叶斯网络在处理大量未知变量时往往具有更高的"精度"（例如，神经网络往往需要更准确的数据才能进行准确的回归，从而提出准确的建议）。
你需要对过度拟合的预防、平滑和其他可能遇到的问题进行一些研究。
同样，这不是一个明确的答案。除了假设之外，你没有提供任何详细的数据让我进行猜测。我强烈建议在做出决定之前进行更深入的研究。
您需要自己尝试数百种算法、预处理等。
对于任何，都没有通用的"最佳算法"。
尤其是当其他人没有你的数据时，不要使用数据驱动的东西。
因此，尝试许多东西，看看对您有效。因为对别人有效的东西不一定对你有效，反之亦然。
此外，要想取得好成绩，必须有经验和专业知识。
这是一个分类问题：您已经标记了要用于训练模型的数据。
由于你会有一些错误，你应该决定是尽量减少你的假阳性还是假阴性结果，并平衡你的算法来实现这一点。
你可以使用一个简单的决策三，看看表现如何，使用一个测试集，就像医生开出的一些真正的处方一样。
请注意，您的处方可能需要不止一种药物，或者根本不需要。
你应该考虑的一个问题是，如果你服用了一些药物，你就不能服用其他药物，而且患者可能会有一些过敏。出于这个原因，我建议你看看http://en.wikipedia.org/wiki/Association_rule_learning和Prolog。
尝试K个最近的邻居，我认为这是一个分类问题。你的处方可能需要不止一种或多种药物，另一个问题是，机器可能并不总是准确的，因为它将有机会决定那些没有经过训练的药物。你需要一个非常详细的数据集。
下面的例子是基于ml理念（机器学习理念）Github-ml理念
尽管没有完美的算法，但只要正确地准备好数据就可以了。
`
//symptoms
//1 = 'Symptom 1';
//2 = 'Symptom 2';
//3 = 'Symptom 3';
//4 = 'Symptom 4';
$samples = [[1, 3], [1, 4], [2, 4], [3, 1], [4, 1], [4, 2]];
$labels = ['drug a', 'drug A', 'drug x', 'drug x', 'drug a', 'drug x'];
$classifier = new KNearestNeighbors(6, true);
$classifier->train($samples, $labels);
$data = $classifier->predict([2, 1]);
echo "<pre>";
print_r($data);
echo "</pre>";
`