Statistics 基于朴素贝叶斯分类器的在线学习

我试图预测传入网络数据包的到达时间。我测量网络数据包的到达时间，并以二进制特征的形式表示这些数据：xi=0,1,1,0，。。。其中，如果到达间隔时间小于盈亏平衡时间，xi=0，否则为1。数据必须映射到两个可能的类C={0,1}，其中C=0表示短的到达间隔时间，1表示长的到达间隔时间。因为我想在一个在线特征中实现分类器，只要我观察到特征向量xi=0,1,1,0…，我就计算MAP类。由于我没有对条件概率和先验概率的先验估计，我将它们初始化如下：

p(x=0|c=0)=p(x=1|c=0)=p(x=0|c=1)=p(x=1|c=1)=0.5
p(c=0)=p(c=1)=0.5

对于每个特征向量（x1=m1，x2=m2，…，xn=mn），当我输出类别C时，我更新条件概率和先验概率，如下所示：

p(xi=mi|y=c)=a+(1-a)*p(p(xi=mi|c)
p(y=c)=b+(1-b)*p(y=c)

---

问题是，我总是得到一个有偏见的预测。由于长到达时间的数量相对少于短到达时间，短到达时间的后部始终高于长到达时间。有什么办法可以改进这一点吗？还是我做错了什么？任何帮助都将不胜感激

由于时间序列较长，最好的方法可能是考虑多个以前的值。这样做的标准方法是使用时间窗，即将长向量席分割成一个恒定长度的重叠部分，最后的值作为类来处理，并将它们作为列车组使用。这也可以通过在线方式对流式数据进行处理，在NB模型到达时使用新数据增量更新NB模型

请注意，使用此方法，其他回归算法可能最终比NB更好

Weka（3.7.3及以上版本）具有非常好的支持时间序列分析的功能。或者，它也基于Weka，支持流数据建模

---

编辑：从二进制特征转移到真实值（可能是标准化的）并应用阈值后分类也是一个好主意。这可能会为回归模型（NB或其他）提供更多信息，从而提高精度。

请您提供一些关于真实值的提示，而不是使用二进制特征。如何使用实际值进行分类？根据你关于分割数据的建议，如果我取n个特征的长度，在时间k，我应该取k-n个特征进行预测。当新数据到达时，我应该使用k-n+1到k+1特征。对吗？关于使用实际值，我建议使用实际测量值作为数据点。如果使用回归工具而不是谨慎的分类，这是可能的。例如，假设您的测量值为4,9,5,7,11,5 ms。而不是将例如6 ms定义为边界，并将序列转换为0,1,0,1,1,0-使用原始真实值进行训练和预测。对于拆分，参照同一示例，可以拆分为：4,9,5->7；9,5,7 -> 11; 5,7,11->5（格式为x1，x2..xk->预期预测）感谢您的建议。如果我使用真实值，我是否需要保持平均值和标准差（在线学习期间）？直觉上，我会说，如果你使用在线学习，你期望系统随着时间的推移而改变。在这种情况下，我不建议将数据限制在固定点附近。