分類器算法的參數優化

據說不同的算法有不同的參數。我真的不認爲這是真的，比如說如果它是樹決策算法和樸素貝葉斯算法，那麼每個參數是什麼？有人能給我一個例子..分類器算法的參數優化

如果是這樣的話，那麼對於將要使用決策樹算法運行的數據做5倍交叉驗證與貝葉斯是不同的嗎？

另外爲了參數優化，我會做5倍交叉驗證。有沒有辦法自動做到這一點，以確定使用weka參數的設定值鍵？

來源

2011-02-24 aherlambang

由於您使用的是Weka，您可以通過打開Explorer中的數據集，選擇算法，然後單擊算法框，查看每個算法的參數。因此，例如Naive Bayes分類器具有影響連續數據處理方式的參數（離散化或使用內核估計器）

來源

2011-02-24 05:53:39

所以如果我要在weka中編寫一個5-fold交叉驗證代碼來進行參數優化......我需要爲每個算法編寫一個驗證代碼？我怎樣才能做到這一點 – aherlambang 2011-02-24 18:01:32

是的，每個算法都有自己的元參數，你需要分別優化它們。你確定你需要交叉驗證嗎？ Weka中的默認參數通常相當不錯 – 2011-02-24 20:23:12

是的，我需要進行交叉驗證以找到最佳置信度......什麼是最簡單的方法？ – aherlambang 2011-02-28 23:59:44

決策算法的參數可能會隨着時間的推移而發生變化，當然還有算法之間的差異。

比方說，你有一個人工智能決策樹來確定戰場上的移動士兵。你可能有一個防守算法，它會尋求一個最大化自己生命的決定。你可能有一個積極的算法，它會對其他士兵尋求最大的傷害。你可能有拆除算法，尋求結構損壞的牆壁。其中每個參數都有不同的參數來決定做出哪個決定。

而決策參數可能隨着仿真的進行而改變。例如，攻擊性算法可以以2：1的方式權衡對損害所做的損害。假設AI願意在未來看100個模擬週期來做出決定。它可能會發現，即使它正在權衡2：1，它做出的決策模擬與實際發生的事件並不匹配。如果計算它會造成100點傷害，但是造成200點傷害，但實際上造成了150點傷害，在它幾乎沒有造成70點傷害之前殺死它（假設它的設計目的）可以考慮到這一點。同樣，它可能會發現，當它選擇在某些條件下重新定位時，它可以避免在蜱T + 10期間受到傷害，獲得一個有利位置，並且在蜱T + 40到T + 80期間會比正常情況下造成更多傷害。這將導致它考慮比以前更安全的情況。

來源

2011-02-24 05:30:12 corsiKa

因此，如果我要實現5倍交叉驗證，那麼每個算法都會有所不同？你可以把它放入決策樹和貝葉斯算法嗎？ – aherlambang 2011-02-24 05:32:48

是的，每個算法將有不同的參數。您當然可以應用貝葉斯原理來改變中間模擬中的參數，就像我在最後一段中所描述的那樣。 – corsiKa 2011-02-24 05:39:17

分類器算法的參數優化

回答

相關問題