我正在做一个项目，我有神经网络（或其他算法）在扑克中互相玩。在每次输赢之后，我希望神经网络（或其他算法）根据损失的错误进行更新（这里如何计算并不重要）。
Weka 非常好，我不想重新发明轮子。然而，Weka 的 API 似乎主要设计用于从数据集进行训练。玩游戏不使用数据集。相反，网络播放，然后我希望它根据其损失进行自我更新。
是否可以使用 Weka API 在一个实例上更新网络而不是数据集并一遍又一遍地执行此操作？我在想这个对吗？
我还想实现的另一个想法是使用遗传算法来更新神经网络中的权重，而不是反向传播算法。据我所知，没有办法在 Weka 中手动指定神经网络的权重。如果为此目的使用遗传算法，这当然是至关重要的。
请帮忙 :) 谢谢。
通常 weka 学习算法是批量学习算法。你需要的是增量分类器。
来自weka 文档
大多数分类器需要在训练之前查看所有数据，例如 J48 或 SMO。但也有一些方案可以增量方式进行训练，而不仅仅是批处理模式。所有实现 weka.classifiers.UpdateableClassifier 接口的分类器都能够以这种方式处理数据。
请参阅分类器实现它的UpdateableClassifier接口。
你也可以看看MOA 大规模在线分析工具，它与 weka 密切相关，由于在线学习的限制，它的所有分类器都是增量的。
据我所知，Weka 不进行在线学习（这就是您要问的）。
对您的游戏使用竞争分析进行调查可能会更好。
你可能不得不在这里重新发明轮子。我不认为这是对时间的不好利用。
我目前正在实现一个学习分类器系统，这非常简单。我还建议研究这些算法。互联网上有一个实现，但我还是更喜欢自己编写代码。