WEKA: проблема со шкалами атрибутов

У меня есть обучающие наборы данных и несколько тестовых наборов (я классифицирую экземпляры в среде кластеризации, поэтому экземпляры тестового набора вычисляются на лету).

Атрибуты экземпляров имеют разную шкалу (первая варьируется от 0 до 1, а вторая от 0 до 100).

Как мои классификаторы (логистическая регрессия и SMO) справляются с тем фактом, что у них нет сразу всего набора тестов?

Другими словами, как они справляются с различными атрибутами шкалы, если они не знают, какое максимальное значение имеет тестовый набор?

Спасибо


machine-learning svm weka
person aneuryzm    schedule 02.05.2011    source источник

Ответы (1)


arrow_upward
1
arrow_downward

Согласно Weka Javadocs, SMO "по умолчанию нормализует все атрибуты (Обратите внимание, что коэффициенты в выходных данных основаны на нормализованных/стандартизированных данных, а не на исходных данных.) «То есть вы получите ошибочную нормализацию, если ваш обучающий набор не покрывает полный диапазон для каждого атрибута. Насколько это плохо, зависит от ваших данных.

Я предлагаю вам попробовать тренироваться как с нормализацией, так и без нее (используйте setFeatureSpaceNormalization(false), чтобы отключить ее) и посмотреть, что работает лучше всего.

person Fred Foo    schedule 02.05.2011