鉴于您的问题描述、yoru 数据的特点以及您的机器学习背景和个人喜好，我推荐Orange。
Orange 是一个成熟的免费开源项目，拥有大量的 ML 算法以及优秀的文档和培训材料。大多数用户可能使用 Orange 提供的 GUI，但该框架可以使用 Python 编写脚本。
因此，使用这个框架当然可以让您快速试验各种分类器，因为(i)它们都在一个地方； (ii) 每个都可以访问一个通用的配置语法 GUI。 Orange 框架中的所有 ML 技术都可以在“演示”模式下运行
随 Orange 安装提供的一个或多个示例数据集。提供的文件
在橙色安装中非常出色。此外，主页还包含许多链接
可能涵盖框架中包含的所有 ML 技术的教程。
鉴于您的问题，也许从 决策树 算法（C4.5 或 ID3 实现）开始。 Dobbs 博士期刊（在线）的最新版本包括一篇关于使用决策树的优秀文章；用例是 Web 服务器数据（来自服务器访问日志）。
Orange 有一个C4.5 implementation，可从 GUI 获得（作为“小部件”）。如果这太容易了，那么在 python 中编写一个代码只需要大约 100 行代码。 Here 是该语言的工作实现的来源
出于几个原因，我建议从决策树开始。
如果它适用于您的数据，您将
不仅有训练有素的分类器，
但你也会有一个视觉
代表整体
分类架构（表示
作为二叉树）。在这方面，决策树（可能）在 ML 技术中是独一无二的。
数据的特征是
与最佳性能一致
C4.5的场景；数据可以是
分类的或连续的
变量（虽然这种技术
如果更多则表现更好
特征（列/字段）离散
而不是连续的，这似乎
描述您的数据）；还
决策树算法可以接受，
无需任何预处理，
数据点不完整
简单的数据预处理。 馈送到决策树的数据
算法不需要那么多
与大多数其他 ML 一样进行数据预处理
技术；预处理通常是
（通常？）最耗时的
整个 ML 工作流程中的任务。它是
也很少记录，所以它是
可能也是最可能的来源
错误。
您可以从每个节点到根的距离推导出每个变量的（相对）权重——换句话说，从快速的视觉
受过训练的检查
分类器。回想一下经过训练的分类器
只是一棵二叉树（通常是rendered 这种方式），其中的节点
对应一值一
特征（变量或列中的
数据集）；两条边连接到
该节点当然代表
数据点分为两组
基于每个点的值
特征（例如，如果特征是
分类变量“出版物
HTML 页头中的日期？”，然后
通过左边缘将全部流动
数据点，其中
发布日期不在
打开和关闭头部标签，以及
正确的节点得到另一个
团体）。有什么意义
这？由于一个节点只代表
特定的状态或值
变量，那个变量的
重要性（或权重）
可以推导出对数据进行分类
从它在
树——也就是离树越近
根节点，越重要。
从您的问题来看，您似乎需要完成两项任务才能将训练数据提供给 ML 分类器。
我。识别合理的类别标签
您要预测的是日期。除非您的分辨率要求异常严格（例如，解决到单个日期），否则我将构建一个分类模型（返回给定数据点的类标签）而不是回归模型（返回单个连续值）。
鉴于您的响应变量是一个日期，一个直接的方法是将最早的日期设置为基线 0，然后将所有其他日期表示为一个整数值，表示与该基线的距离。接下来，将所有日期离散化为少量范围。一种非常简单的方法是计算响应变量的五个汇总描述性统计数据（最小值、第 1 个四分位数、平均值、第 3 个四分位数和最大值）。从这五个统计数据中，您可以得到四个明智选择的日期范围（尽管可能跨度不相等或成员规模不相等。
这四个日期值范围代表您的类别标签——例如，classI 可能是响应变量（发布日期）为 0 后 0 到 10 天的所有数据点（我想是网页）； classII 是 0 后 11 天到 0 后 25 天等。
[注意：根据 OP 在此答案下方的评论添加了以下代码，要求澄清。]
# suppose these are publication dates
>>> pd0 = "04-09-2011"
>>> pd1 = "17-05-2010"
# convert them to python datetime instances, e.g.,
>>> pd0 = datetime.strptime(pd0, "%d-%m-%Y")
# gather them in a python list and then call sort on that list:
>>> pd_all = [pd0, pd1, pd2, pd3, ...]
>>> pd_all.sort()
# 'sort' will perform an in-place sort on the list of datetime objects,
# such that the eariest date is at index 0, etc.
# now the first item in that list is of course the earliest publication date
>>> pd_all[0]
datetime.datetime(2010, 5, 17, 0, 0)
# express all dates except the earliest one as the absolute differenece in days
# from that earliest date
>>> td0 = pd_all[1] - pd_all[0] # t0 is a timedelta object
>>> td0
datetime.timedelta(475)
# convert the time deltas to integers:
>>> fnx = lambda v : int(str(v).split()[0])
>>> time_deltas = [td0,....]
# d is jsut a python list of integers representing number of days from a common baseline date
>>> d = map(fnx, time_deltas)
二。将您的原始数据转换为“机器学习可用”的形式。
对于 C4.5 分类器，此任务是
比可能所有其他 ML 算法更简单，所需步骤更少。什么是
这里首选的是离散化到相对较少的值，
尽可能多的参数 - 例如，如果您的参数/变量之一是
“发布日期字符串与结束正文标签的距离”，那么我会
建议将这些值离散化为范围，正如营销调查经常询问的那样
参与者在指定的一组跨度（18 - 35；36 - 50 等）中报告他们的年龄
而不是单个整数 (41)。