分类器算法的参数优化

Question

据说不同的算法有不同的参数。我真的没有看到这是真的，如果它是树决策算法和朴素贝叶斯算法，每个参数是什么？有人可以给我一个例子..

如果是这种情况，那么对将要使用决策树算法运行的数据进行5倍交叉验证与贝叶斯算法不同？

对于参数优化，我将进行5倍交叉验证。有没有办法自动执行此操作以使用weka确定参数的设定值键？

Answer 1

由于您使用的是Weka，您可以通过在Explorer中打开数据集，转到Classify，选择算法然后单击算法框来查看每个算法的参数。因此，例如朴素贝叶斯分类器具有影响它如何处理连续数据的参数（离散化或使用内核估计器）

Answer 2

决策算法的参数可能会随着算法中的时间而变化，当然也会在算法之间发生变化。

假设您有一个AI决策树，用于确定战场上的移动士兵。你可能有一个防御性的算法，它将寻求一个尽可能最大化自己生命的决定。你可能有一个积极的算法，它将寻求对其他士兵的最大伤害。您可能有拆除算法，寻求墙壁的结构损坏。其中每一个都有不同的参数来决定做出哪个决定。

随着模拟的进行，决策参数可能会发生变化。例如，攻击性算法可以对以2：1方式进行的损坏进行称重。假设AI愿意在未来看100个模拟周期来做出决定。它可能会发现即使它的重量为2：1，它所做出的模拟决定与实际发生的情况并不匹配。如果计算它会造成100点伤害，但造成200点伤害，但它实际上造成了150点伤害，在它几乎不会造成70点伤害之前杀死了它（假设它被设计为）它可以考虑到这一点。类似地，它可能会发现当它选择在某些条件下重新定位时，它能够在蜱T + 10期间避免损坏，获得有利位置，并且在T + 40到T + 80的蜱中比通常情况下造成更多的伤害。这将使它比以前更多地考虑更安全的情况。