我们正在通过机器学习研究机器学习：概率视角（Kevin Murphy）。虽然文本解释了每种算法的理论基础，但它很少说在哪种情况下哪种算法更好，并且当它这样做时，它没有说如何判断我处于哪种情况。

例如，对于内核的选择，我被告知要进行探索性数据分析以衡量我的数据有多复杂。在简单的二维数据中，我可以绘制并查看线性或径向内核是否合适。但是在更高维度上做什么呢？

更一般地说，人们在选择算法之前说“了解你的数据”是什么意思？现在我只能区分分类与回归算法，线性与非线性算法（我无法检查）。

编辑：尽管我最初的问题是关于普遍的经验法则，但我被要求提供有关我的特定问题的更多信息。

数据：每行代表国家/地区月份的面板（总共约 30,000 行，覆盖约 15 年的约 165 个国家）。

响应： 5 个感兴趣的二元变量（即当月是否发生抗议/政变/危机等）。

特征：~ 400 个变量（连续的、分类的、二元的）详细说明了前 2 个国家月的一系列特征（可以创建更长的滞后）。我们只使用滞后变量，因为目标是预测。

示例包括汇率、GDP 增长（连续）、新闻自由水平（分类）、民主、邻居是否有冲突（二元）。请注意，这 400 个特征中有很多是滞后变量。