machine-learning - 使用weka对传感器数据进行分类

Question

我正在研究一个分类问题，它有不同的传感器。每个传感器收集一组数值。

我认为这是一个分类问题，并且想使用 weka 作为解决此问题的 ML 工具。但我不知道如何使用weka来处理输入值？哪个分类器最适合这个问题(特征的一个实例是一组数值)？

例如，我有三个传感器 A、B、C。我可以定义 5 个从所有传感器收集的数据作为一个实例吗？例如，A 的一个实例是{1,2,3,4,5,6,7}，B 的一个实例是{3,434,534,213,55,4,7)。 C{424,24,24,13,24,5,6}。

非常感谢您花时间查看我的问题。

Answer 1

通常第一个尝试的分类器是朴素贝叶斯(你可以在Weka的“Bayes”目录下找到它)，因为它速度快，参数少，并且每当训练样本时，分类精度都很难被击败很小。

随机森林(您可以在 Weka 的“Tree”目录下找到它)是另一个令人愉快的分类器，因为它几乎可以处理任何数据。只需运行它，看看它是否会给出更好的结果。可能只需将树的数量从默认的 10 增加到某个更高的值。既然你有 7 个属性，100 棵树就足够了。

然后我会尝试k-NN(你可以在 Weka 的“Lazy”目录下找到它，它被称为“IBk”)，因为它通常会为各种类别的最佳单一分类器排名。数据集。 k-nn 的唯一问题是它对于大型数据集(> 1GB)的扩展性很差，并且需要微调邻居的数量k。该值默认设置为 1，但随着训练样本数量的增加，通常最好将其设置为 2 到 60 范围内的某个更高的整数值。

最后，对于一些朴素贝叶斯和 k-nn 都表现不佳的数据集，最好使用 SVM(在“函数”下，它称为“Lib SVM”)。然而，设置 SVM 的所有参数以获得有竞争力的结果可能很麻烦。因此，当我已经知道预期的分类精度时，我会将其留到最后。如果您有两个以上的类需要分类，则此分类器可能不是最方便的。