我已经在weka工作了几个月了。目前，我正在 Ostfold 大学学院学习我的机器学习课程。我需要一种更好的方法来构建基于分离的训练和测试集的决策树。任何想出好主意的人都可以得到很大的缓解。提前谢谢。
-新
问问题
1451 次
2 回答
4
您可能会要求更具体的内容，但总的来说：
您使用训练集构建决策树，并使用测试集评估该树的性能。换句话说，在测试数据上，您调用一个通常命名为 c*lassify* 的函数，传入新建的树和您希望分类的数据点（在您的测试集中）。
此函数从您的树中返回该数据点所属的叶（终端）节点 - 并假设该叶的内容是同质的（填充来自单个类的数据，而不是混合数据），那么您实际上分配了一个该数据点的类标签。当您将树分配的类标签与数据点的实际类标签进行比较，并对测试集中的所有实例进行重复时，您就有了一个指标来评估树的性能。
经验法则：打乱你的数据，然后将 90% 分配给训练集，另外 10% 分配给测试集。
于 2011-02-18T00:00:03.703 回答
0
实际上我正在寻找这样的东西 - http://weka.wikispaces.com/Saving+and+loading+models 来保存模型，加载它并在训练集中使用它。这正是我一直在寻找的。希望它对与我有类似问题的人有用。干杯-Neo182
于 2011-02-19T01:59:21.053 回答