我在做包含分类问题的课程项目。这是关于分类智能手机进入7个不同的类。我正在使用Accelerometer（LinearAcceleration）。我提取了15个特征（每个轴5个），它们是： - 与此同时） - 标准（时间） - DC偏移，平均值（频率） - 能量（频率） - 熵（频率）
频域中的特征是通过快速傅立叶变换获得的。
我的应用程序希望用户训练分类器，每个类最多5个实例（用户执行每个类的移动的五倍），直到现在我已经使用了来自WEKA库的Naive Bayes的实现。
我的问题是 - 我对分类器的准确性不满意。是否还有其他分类器可以更好地处理这样的小数据集？
稍后，该应用程序将收集更多实例并将其添加到训练数据集，然后重新训练分类器，但在开始时我不能要求用户每个类超过5个实例。
你会建议什么？
答案 0 :(得分：0)
但在实际情况下，您的算法并不重要，您的数据集（实例，功能）更重要