Artificial intelligence 分类器算法的参数优化

据说不同的算法有不同的参数。我并不认为这是真的，比如说，如果这是一个树决策算法和朴素贝叶斯算法，那么每个算法的参数是什么？有人能给我举个例子吗

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吗

---

此外，对于参数优化，我将进行5次交叉验证。是否有一种方法可以自动使用weka确定关键参数的设定值

决策算法的参数可能会随着时间的推移而变化，当然也可能在算法之间变化

假设您有一个AI决策树，用于确定在战场上移动的士兵。你可能有一个防御性的算法，它会尽可能地寻求一个使自己的生命最大化的决策。你可能有一个攻击性的算法，它将寻求对其他士兵的最大伤害。您可能有一些拆除算法，用于查找墙的结构损坏。其中每一项都有不同的参数来决定要做的决定

---

随着模拟的进行，决策参数可能会发生变化。例如，攻击性算法可能会以2:1的方式对造成的伤害进行权衡。比如说，人工智能愿意展望未来的100个模拟周期来做出决定。它可能会发现，尽管它的重量是2:1，但它为做出决定而进行的模拟与实际发生的情况并不相符。如果它计算出它会造成100点伤害，但会造成200点伤害，但实际上它造成了150点伤害，这使得它在几乎不能造成70点伤害之前死亡（假设它是设计的），它可以考虑到这一点。同时，它可能会发现，当它选择在特定条件下重新定位时，它能够避免在滴答声T+10期间受到伤害，获得有利位置，并在滴答声T+40到T+80期间造成比正常情况下更多的伤害。这将使它考虑到比以前更安全的情况。

< P>由于使用WEKA，可以通过在 Explorer < /Catabase>中打开数据集，查看<算法>分类> <代码>，选择算法，然后点击算法框，查看每个算法的参数。例如，Naive Bayes分类器的参数会影响它处理连续数据的方式（离散化或使用核估计器）

因此，如果我要实现5倍交叉验证，那么每种算法都会有所不同？你能把它放到决策树和贝叶斯算法中吗？是的，每个算法都有不同的参数。你当然可以像我在上一段中描述的那样，在模拟过程中应用贝叶斯原理来改变参数。因此，如果我要在weka中编写一个5倍交叉验证代码来进行参数优化。。。我需要为每个算法写一个？我如何在一张照片中做到这一点是的，每个算法都有自己的元参数，您需要分别对它们进行优化。您确定需要交叉验证吗？Weka中的默认参数通常非常好是的，我需要进行交叉验证以找到最佳置信水平。。。做这件事的最好方法是什么？