我有一个想用机器学习解决的问题。我想使用某种分类来了解树数据结构中刚刚添加的更改是“好”还是“坏”。
假设我有这棵树：
(A)
/ \
/ \
(B) (C)
我对其进行了更改（“好”的更改，因此算法应该将此更改与“好”的更改相关联）。更新的树将是这样的：
(A)
/ \
/ \
(D) (C)
/
/
(B)
在另一个节点 (B) 上方添加某个节点 (D) 将被归类为“良好”更改。
所以当我让学习器拥有正确的数据时，算法应该能够知道，如果我在 B 类型的节点之上添加一个 D 类型的节点，这是一个“好”的变化。
我想使用保持树结构的 XML 文件，像朴素贝叶斯这样的简单分类器不起作用，因为它无法识别一个节点是否添加到另一个节点之上，它只能知道已经添加了一个节点。
我不知道应该如何使用哪种算法/技术，也不知道应该如何将数据传递给学习者，因为这种情况下的上下文很重要。
比较树木变化的最佳技术/算法是什么？
大多数机器学习算法旨在处理表格格式的数据。这意味着，每个数据实例都包含在一行中，每一列的值是给定变量的特定实例的观察值。大多数 ML 算法设计用于处理此类数据的原因很少。一个重要的因素是结构非常简单，可以轻松完成各种操作。第二个原因是即使看起来像一个不灵活的结构，数据中的某种附加结构仍然可以用表格格式表示（使用冗余）。另一个原因是，设计用于特定数据结构的算法将受限于处理更小的问题集。
所以，主要的一点是“如果山不来穆罕默德，那么穆罕默德必须去山”（注意这里没有任何宗教相关的内容）。因此，您要做的是以表格格式自己制作特征。
我会给你一个例子，说明我是如何看待起点的。考虑一个实例在表中的一行。每一行都会发生变化。一个变化有一个标签，它是好是坏。因此，您可以添加一个用作目标功能的功能，称为class。我们进一步注意到更改是节点的插入。如果您的更改是多种类型的，您可以添加一个名为operation-type的功能，该功能具有以下值：insert、delete、change等。现在，节点也有一个类型。您可以添加一个名为node-type的新功能，可以是A，B等。您要做的就是通过注意对您或您的业务重要的内容来发明这些功能，并最终仅选择那些足够相关的功能。我真的希望它足够清楚。