使用weka分類傳感器數據

Question

我正在處理一個分類問題，它有不同的傳感器。每個傳感器收集一組數字值。

我認爲它是一個分類問題，並希望使用weka作爲這個問題的ML工具。但我不確定如何使用weka來處理輸入值？哪個分類器最適合這個問題（一個特徵的一個實例是一組數值）？

例如，我有三個傳感器A，B，C。我可以從所有傳感器中定義5個採集的數據嗎？例如，A的一個實例是{1,2,3,4,5,6,7}，B的一個實例是{3,434,534,213,55,4,7）。 13 C {424,24,24,13,24,5,6}。

非常感謝您花時間回顧我的問題。

Answer 1

常用的第一分是嘗試樸素貝葉斯（您可以在Weka的「貝葉斯」目錄下找到它），因爲它的快速，參數少，分類精度是很難被擊敗，只要訓練樣本很小。

隨機森林（你可以在Weka的「樹」目錄下找到它）是另一個令人愉快的分類器，因爲它處理幾乎任何數據。只要運行它，看看它是否會給出更好的結果。只需要將樹的數量從默認值10增加到某個更高的值即可。既然你有7個屬性，那麼100棵樹就足夠了。

然後我會嘗試K-NN（您可以在Weka中「偷懶」目錄下找到它，這就是所謂的「IBK」），因爲它通常行列量的最佳單分類爲廣泛的數據集。 k-nn唯一的問題是它對於大數據集（> 1GB）的縮放比較嚴重，它需要微調鄰居數量k。該值默認設置爲1，但隨着訓練樣本數量的增加，通常最好將其設置爲範圍從2到60的某個更高的整數值。

最後，對於某些數據集，其中既有樸素貝葉斯和k -nn性能較差，最好使用SVM（在「Functions」下，它被稱爲「Lib SVM」）。然而，設置SVM的所有參數以獲得有競爭力的結果可能會很麻煩。因此，當我已經知道分類精度會達到什麼程度時，我就會告終。如果您有兩個以上的類別進行分類，則此分類器可能不是最方便的。