我正在研究一个分类问题，它有不同的传感器。每个传感器都会收集一组数值。
我认为这是一个分类问题，并希望将weka用作此问题的ML工具。但我不确定如何使用weka来处理输入值？哪个分类器最适合这个问题（一个特征的实例是一组数值）？
例如，我有三个传感器A，B，C。我可以将所有传感器中的5个采集数据定义为一个实例吗？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）。 13 C {424,24,24,13,24,5,6}。
非常感谢您抽出时间审核我的问题。
答案 0 :(得分：5)
通常第一个尝试的分类器是 Naive Bayes （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难以击败很小。
随机森林（你可以在Weka的“Tree”目录下找到它）是另一个令人愉快的分类器，因为它几乎处理任何数据。只需运行它，看看它是否能提供更好的结果。可能只需要将树的数量从默认值10增加到更高的值。由于你有7个属性100树应该就够了。
然后我会尝试 k-NN （您可以在Weka的“Lazy”目录下找到它，它被称为“IBk”），因为它通常将数量排在最佳单一分类器的范围内数据集。 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 k （邻居的数量）。默认情况下，此值设置为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之间的某个更高的整数值。
最后，对于Naive Bayes和k-nn都表现不佳的一些数据集，最好使用 SVM （在“Functions”下，它被称为“Lib SVM”）。但是，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，当我已经知道期望的分类准确度时，我将它留到最后。如果您有两个以上的类进行分类，则此分类器可能不是最方便的。