如何进行探索性数据分析以选择合适的机器学习算法

我们正在通过“机器学习：概率论”（Kevin Murphy）研究机器学习。虽然文字解释了每种算法的理论基础，但很少说明哪种情况下哪种算法更好，什么时候做的更好，却没有说明如何判断我所处的情况。

例如，对于内核的选择，有人告诉我进行探索性数据分析以评估数据的复杂程度。在简单的二维数据中，我可以绘图并查看线性或径向核是否合适。但是在更高维度上做什么？

更一般地说，人们在选择算法之前说“开始了解您的数据”是什么意思？现在，我只能区分分类算法与回归算法，以及线性算法与非线性算法（我无法检查）。

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

数据：每行一个国家/地区月的面板（总计约30,000行，涵盖约15年中的165个国家/地区）。

回应：5个感兴趣的二元变量（例如，该月是否发生抗议/政变/危机等）。

特征：〜400个变量（连续，类别和二进制的混合），详细说明了前两个国家/地区的月份的特征（可以创建更长的滞后时间）。我们只使用滞后变量，因为目标是预测。

例子包括汇率，GDP增长（连续），新闻自由水平（绝对），民主，邻国是否存在冲突（二元）。请注意，这400个功能中有很多是滞后变量。

这是一个广泛的问题，没有简单的答案。我在CMU教授了一个为期3个月的主题课程。它涵盖了以下问题：

1. 使用预测来了解变量与总体分布结构之间的相关性。
2. 如何通过连续建模残差来构建回归模型。
3. 确定何时将非线性相互作用项添加到线性模型中。
4. 如何决定与一个逻辑分类KNN与决策树之间。我浏览了许多UCI数据集，并展示了如何在运行它们之前就知道哪个分类器将获胜。

遗憾的是，该课程没有视频或教科书，但我做了一个总结该课程要点的演讲。我不知道有什么教科书涵盖相同的领域。

您可以检查一下数据。

1 - correlation between variables
2 - categorical variables or continuous variables?
3 - relation between number of samples and number of variables
4 - are the samples independent or is it a time series? 

根据这些要点以及要从数据中提取的信息种类，可以决定要使用哪种算法。