MachineLearning ou DecisionTree pour la recherche d'emploi?

Question

Je travaille sur une application de recherche d'emploi et je me demandais quelle est la meilleure façon de faire correspondre les éléments entre eux pour trier le meilleur résultat? Pour moi, c'est en passant par un arbre de décision car on connaît déjà la structure de l'élément et le résultat attendu. Cependant, le machinelearning serait-il une solution alternative ou est-ce que cela ne sert à rien de le faire?

Je peux me tromper mais pour moi ML est efficace pour trier des données qui à première vue n'ont pas de points communs évidents, non?

Merci pour vos conseils!

Answer 1

L'arbre de décision fait partie de ML. Peut-être que vous voulez dire un algorithme plus complexe que l'arbre de décision, comme xgboost ou réseau de neurones. Xgboost ou le réseau de neurones sont bons quand vous avez trop de variables pour donner un sens à la création manuelle d'un arbre de décision.

L'arbre de décision est meilleur lorsque vous voulez contrôler votre algorithme (par exemple, pour des raisons éthiques ou de gestion). Xgboost et non supervisé sont également utiles pour créer les limites utilisées dans votre arbre de décision. Par exemple, devriez-vous créer une catégorie 18-25 ou 18-30, etc.

Considérant la complexité d'un tel problème, avec le temps et la contrainte géographique, l'utilisation d'algorithmes avancés me semble une bonne idée.

Jetez un oeil à cette compétition Kaggle qui semble proche de votre problème, il peut vous donner un bon aperçu: https://www.kaggle.com/c/job-recommendation/data