WEKA3.7算法说明(待补充)

Functions函数

Gaussian Process---高斯过程

linearregression： 线性回归

logisitic                       逻辑回归模型

multilayer perceptron 神经网络

SGD                    随机梯度下降法
simple linear regression 简单线性回归

simple logistic         回归

SMO                                      支持向量机

Voted Perceptron 投票感知器算法

Lazy懒惰的

IBk()：k最近邻分类 

LWL locally weighted learning ：局部加权学习

Meta

AdaBoostM1()：Adaboost M1方法。-W参数指定弱学习器的算法。    

AdditiveRegression 梯度下降回归树   梯度下降分类树

Bagging 套袋 bagging是一种用来提高学习算法准确度的方法，这种方法通过构造一个预测函数系列，然后以一定的方式将它们组合成一个预测函数。Bagging要求“不稳定”（不稳定是指数据集的小的变动能够使得分类结果的显著的变动）的分类方法。比如：决策树，神经网络算法。

ClassificationViaRegression：用回归的方法进行分类；

CostSensitiveClassifier，它可以封装任何分类和自定义分类应用中错过的名义变量矩阵。

CVParameterSelection采用交叉验证的方法，对参数进行优化选择。