Machine learning 分类器组合weka_Machine Learning

Machine learning 分类器组合weka

machine-learning

Machine learning 分类器组合weka,machine-learning,Machine Learning,我基于107个实例、11个特征和每个阶段两个类构建了三个分类器。Weka用作机器学习工具第一个分类器预测类0和类1-2-3。（所有107个实例用于交叉验证方法的培训和测试）第二类预测1类和2-3类。（删除0类用于培训和测试的实例）第三个分类器预测类别2和类别3。（针对培训和测试移除1级的实例） Randoforest应用于每个分类器。有人知道如何组合这三个分类器吗？这似乎有点像一堆分类器，但最明显的解决方案是在上面构建一个“元分类器”，它将决定什么是真正的类。关于形式数据的分类器训练：投

我基于107个实例、11个特征和每个阶段两个类构建了三个分类器。Weka用作机器学习工具

第一个分类器预测类0和类1-2-3。（所有107个实例用于交叉验证方法的培训和测试）

第二类预测1类和2-3类。（删除0类用于培训和测试的实例）

第三个分类器预测类别2和类别3。（针对培训和测试移除1级的实例）

Randoforest应用于每个分类器。有人知道如何组合这三个分类器吗？

这似乎有点像一堆分类器，但最明显的解决方案是在上面构建一个“元分类器”，它将决定什么是真正的类。关于形式数据的分类器训练：

投入：

```
ourput\u of\u classifier1（x）
```
（一元格式）
```
ourput\u of\u classifier2（x）
```
（一元格式）
```
ourput\u of\u classificater3（x）
```
（一元格式）

输出：

```
x的标签
```

所以，您将原始数据转换为由预测标签组成的表示，并在这些数据上训练新的分类器

最简单的方法是训练一个朴素的贝叶斯，以

p的形式建立条件概率（final_class=Y | classifier1（x）=y1，classifier2（x）=y2，classifier3（x）=y3）

你似乎知道他在说什么，所以我建议你看看他的另一个，这是关于同一主题，似乎没有人看到（7个视图）。你知道，我如何在Weka中组合这些级联分类器？每个分类器中的实例数将发生变化，因为我在每个部分删除了不同的类标签。您在培训部分删除了它们，但这并不意味着它们无法处理它。事实上，元分类器根据这些分类器知道它将属于哪个“其他”类是很有价值的。因此，类0中的元素可以转换为例如（0,1,3）（因为这两个额外的元素不识别类0），然后向元分类器提供（（0,1,3），0），并让它推断正确的分类规则。对不起，我不太清楚。你能再解释一下吗？简单地说：你如何训练你的分类器并不重要。如果你训练一个“元分类器”，它会自己推断出一些规则。对于每个点（从整个训练中）（x，y）计算cl1（x），cl2（x），cl3（x），并创建新的训练对（（cl1（x），cl2（x），cl3（x）），y）用于这个新的“元分类器”。即使cl2（x）永远不会等于0，它在其他类之间的区别仍然可以为分类器提供信息，从而最终得到决策“0”（或任何其他）。