我有一个包含5到10个功能的数据集。输出值是标量值。 （所以我看起来像线性回归，而不是分类器）。某些功能比其他功能更重要，某些功能组合可以产生很大的效果。
根据这些要求，在Weka中构建的算法是不错的候选者？
答案 0 :(得分：4)
您是否在Weka Explorer中尝试“选择属性”标签？ InfoGainAttributeEval和CorrelationAtrributeEval是我经常开始使用的两个有用的特征选择方法。
以下是针对我的数据集的InfoGainAttributeEval的示例输出。第一列按降序列出每个属性的重要性。
Ranked attributes:
0.02416 8 attr8
0.014166 16 attr16
0.012868 14 attr14
0.011905 15 attr15
0.011624 6 attr6
0.010619 1 attr1
0.010367 3 attr3
0.010171 5 attr5
0.008921 7 attr7
0.008763 11 attr11
0.006094 9 attr9
0.00603 10 attr10
0.003089 4 attr4
0.00095 12 attr12
0.000672 2 attr2
0.000127 13 attr13
Selected attributes: 8,16,14,15,6,1,3,5,7,11,9,10,4,12,2,13 : 16
如果您有兴趣，请参阅以下链接，获取有关基于相关性的特征选择的经典论文： http://www.cs.waikato.ac.nz/~mhall/thesis.pdf
答案 1 :(得分：1)
Weka有一组“Classifier”执行回归（它们在Weka术语中输出数字“类”）。在Weka GUI中，如果您选择数字属性作为“类”，您将看到它们。
其中有weka.classifiers.functions.SimpleLinearRegression，它完全按照它所说的做法。 Weka还有更复杂的回归引擎，例如MultilayerPerceptron。