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)。C{424,24,24,13,24,5,6}。
非常感谢您花时间审查我的问题。
通常第一个尝试的分类器是朴素贝叶斯（你可以在 Weka 的“贝叶斯”目录下找到它），因为它速度快，参数少，而且只要训练样本很小，分类精度就很难被击败。
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。
然后我会尝试使用 k-NN（你可以在 Weka 的“Lazy”目录下找到它，它被称为“IBk”），因为它通常会为各种数据集排名最好的单个分类器。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 Naive Bayes 和 k-nn 都表现不佳的一些数据集，最好使用SVM（在“Functions”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。如果你有两个以上的类要分类，这个分类器可能不是最方便的。