Optimization 如何识别WEKA中的相关功能？

我想在WEKA中执行特征分析。我有一个包含8个特性和65个实例的数据集

我想执行特征选择和优化功能，可用于机器学习方法，如支持向量机。 例如，在Weka中，我想知道如何显示哪些特征对分类结果贡献最大

我认为WEKA提供了一个很好的图形用户界面，允许对单个功能的影响进行非常详细的分析。但是我不知道如何使用它。有什么帮助吗？

您有两个选择：

---

• 可以使用过滤器执行属性选择。例如，您可以将

  AttributeSelection

  选项卡（或过滤器）与搜索方法

  Ranker

  和属性评估指标

  infogainattributeval

  一起使用。通过这种方式，您可以根据其信息增益分数获得最具预测性特征的排名列表。我已经做了很多次了，效果很好。有时，它甚至有助于提高支持向量机的精度，因为已知支持向量机不需要（太多）特征选择。您可以尝试使用其他搜索方法来查找耦合预测值的子组，以及使用其他度量

• 您可以只查看SVM输出中的系数。例如，在线性支持向量机中，分类器是类似于

  a1.f1+a2.f2+…+的多项式an.fn+fn+1>0

  ，即

  ai

  实例的属性值，以及

  fi

  在SVM训练算法中获得的“权重”。因此，那些值接近

  0

  的权重表示计数不太多的属性，因此是不好的预测因子；极端权重（正或负）表示良好的预测值

---

此外，您可以检查特定分类器可用的可视化选项（例如，J48是决策树，根测试中使用的属性用于最佳预测）。您也可以检查

属性选择

选项卡可视化选项。

谢谢。我想尝试不同的分类器，而不仅仅是SVM。首先，我想知道哪些特征对分类结果贡献最大。而不是减少或进行其他特征组合，使用这些新选择的特征尝试不同的分类器，如拜耳、GP、决策树、SVM。在这种情况下，请遵循第一个选项。我认为SVMAttributeEval度量和Ranker serach方法是wright方法。那么InfoGainAttributeEval和SVMAttributeEval有什么不同呢？？请解释一下？

infogainattributeval

实现了信息增益，这几乎是一个标准。这是一个信息论度量，它考虑了使用一个属性时空间点的熵（或分离）如何变化。信息增益的高分意味着更容易对分数进行分类。关于

SVMAttributeEval

，我从文档中复制：“它使用SVM分类器评估属性的价值。属性按照SVM分配的权重的平方进行排序。”换句话说，它大致遵循我上面描述的第二种方法。因此在Weka中，我可以执行第一个属性选择选项卡（或过滤器）使用搜索方法Ranker和属性评估度量InfogainatTributeval。然后我会得到排名最好的特征，并可以尝试不同的分类器，看看是否可以提高性能。对吗？