假设每个属性和类有很多重复，可以学习一个嵌入空间。共同出现的属性和类将被投射到附近的空间中。一个例子是亲和力加权嵌入。

然后预测变成近似最近邻搜索。对于给定的一组属性，找到最近的类。一个例子是局部敏感散列。

结合学习嵌入空间和近似最近邻搜索的策略非常适合预测。如果随着数据的增长，您愿意接受“近似”的更宽松定义，则搜索时间可以保持不变。

我会尝试以下两种方法，它们都同样有趣。

第一个是：k-means 聚类。原因如下：根据一组症状，我们可以尝试映射到一个诊断。此外，我们可以更改集群的数量并检查它是否提高了准确性/结果。

第二个是：推荐系统。这与关联学习密切相关。我举个例子：我们在 Netflix 上看电影，它会推荐我们可能喜欢的电影。这是基于我们之前看过哪些电影，以及其他与我们有相似品味的人看过哪些电影。我们可以在这里使用相同的逻辑。$ 具有一种症状 sss 的人进行了 xyz 诊断。如果症状与 sss 相似，他们会得到 xyz 诊断。

我希望这有帮助！

您可以尝试多元线性回归分析。这可以使用 excel（数据--> 数据分析--> 回归）来完成。基本上，该模型开发了影响一个因变量的多个变量之间的关系。在上面的例子中：

诊断 = a + b1医学症状 1 + b2医学症状 2+ .....+ e 其中，a = 方程 b1、b2、....的截距，bn = 每个变量的斜率 e = 误差范围。

阅读有关本文的更多信息：https ://www.investopedia.com/terms/m/mlr.asp