使用weka对传感器数据进行分类

Posted 2023-03-13

【中文标题】使用weka对传感器数据进行分类

【英文标题】：Using weka to classify sensor data

【发布时间】：2013-06-21 09:57:21

【问题描述】：

我正在研究一个分类问题，它有不同的传感器。每个传感器收集一组数值。

我认为这是一个分类问题，并希望使用 weka 作为 ML 工具来解决这个问题。但是我不确定如何使用 weka 来处理输入值？哪个分类器最适合这个问题（特征的一个实例是一组数值）？

例如，我有三个传感器 A、B、C。我可以定义从所有传感器收集的 5 个数据作为一个实例吗？例如，A 的一个实例是1,2,3,4,5,6,7，B 的一个实例是3,434,534,213,55,4,7)。 C424,24,24,13,24,5,6。

非常感谢您抽出宝贵时间查看我的问题。

【问题讨论】：

你想预测什么？您的预测的输入是什么？

输入的是各种传感器数据，都是数值。输出为标称值。谢谢

【参考方案1】：

通常第一个尝试的分类器是朴素贝叶斯（您可以在 Weka 的“贝叶斯”目录下找到它），因为它速度快，参数少，而且无论何时训练样本，分类精度都难以超越很小。

随机森林（您可以在 Weka 的“树”目录下找到它）是另一个令人愉快的分类器，因为它几乎可以处理任何数据。只需运行它，看看它是否会产生更好的结果。只需将树的数量从默认的 10 增加到某个更高的值即可。由于您有 7 个属性，因此 100 棵树就足够了。

然后我会尝试 k-NN（您可以在 Weka 的“Lazy”目录下找到它，它被称为“IBk”），因为它通常将数量排名为最佳单个分类器的范围广泛数据集。 k-nn 的唯一问题是它对于大型数据集 (> 1GB) 的扩展性很差，并且它需要微调 k，即邻居的数量。该值默认设置为 1，但随着训练样本数量的增加，通常最好将其设置为 2 到 60 范围内的某个更高的整数值。

最后，对于一些朴素贝叶斯和 k-nn 都表现不佳的数据集，最好使用 SVM（在“函数”下，它被称为“Lib SVM”）。但是，设置 SVM 的所有参数以获得有竞争力的结果可能很麻烦。因此，当我已经知道预期的分类精度时，我把它留到最后。如果您有两个以上的类要分类，此分类器可能不是最方便的。

【讨论】：

谢谢。你的回答很有帮助

神经网络呢？您说随机森林对各种数据都有好处，这对于哪种算法不正确？谢谢！