本文详细介绍了如何利用Weka构建BayesNet分类器。首先理解BayesNet的工作原理，然后通过官方文档和在线资源学习贝叶斯网络。接着，重点介绍了数据预处理，特别是数值型属性的离散化，以及使用weka.filters.unsupervised.attribute.Discretize类进行处理。最后，讨论了分类任务中的目标属性和预测模型的建立，并提及了提高分类准确性的策略。
首先要把握清楚BayesNet大体上是怎么用：有一个主特征：Class，目的就是判断这个Class的值，BayesNet从训练数据中学习出一个模型，用这个模型做预测，预测测试数据中的Class的值，每个实例是一行，Class T1 T2......Tn T是指特征也就是属性。所以我们的目标任务功能就是自己写代码，完成上述这个过程。好了现在开始。
（套用Weka中的解释：
WEKA把分类(Classification)和回归(Regression)都放在“Classify”选项卡中，这是有原因的。 在这两个任务中，都有一个目标属性（输出变量）。我们希望根据一个样本(WEKA中称作实例)的一组特征（输入变量），对目标进行预测。 ）
最低0.47元/天 解锁文章
扫一扫
714
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
