weka中的SMO，NaiveBayes和BayesNet分類器的不同結果

Question

我在我的數據集上嘗試使用Weka的不同分類器。我有小數據集，我將數據分爲五類。 我的問題是，當我通過不同的分類器應用交叉驗證或百分比分類分類時，我得到了非常不同的結果。

例如，當我使用NaiveBayse或BayseNet分類，我有大約40的所有類的F-得分，但使用SMO我得到的是獲得20的F-分數的壞的結果，當我使用LibLinear分類這給了我大約15分的F分數。

也許我應該提到，因爲LibLinear分類器不接受名詞，所以我給每個可能的名義值分配一個代碼，並將它們用作我的數據集中的Numeric值。

有人可以告訴我爲什麼我會得到這樣不同的結果嗎？我預計所有分類器都會有大致相似的結果。

此外，當我在我的測試集上使用LibLinear時，我將所有數據歸入其中一個類中，而其他四個類中沒有實例。

由於提前，

Answer 1

你爲什麼會想到類似的結果？對於小數據集，我認爲不同的方法可能很容易導致不同的預測。線性模型也有容忍閾值，會導致收斂前提前終止。例如，您可以在LibLINEAR或SMO中玩這個遊戲。