Weka中的不同采样方法
我的数据集不平衡。我尝试使用不同的重采样方法来平衡它。到目前为止，我知道有三种方法来处理采样。1、随机抽样2。交叉验证3。独自创立
我正在使用Weka进行数据预处理。我知道如何在Weka中使用交叉验证。它带有像随机森林或朴素贝叶斯或任何其他分类器。
但我没有发现随机抽样或引导。
我发现有人监督-
我想知道两次重采样之间的区别。这篇文章不是很有帮助。我如何在Weka使用Bootstap？有什么选择吗？
共有1个答案
在Weka中，引导并不是一种真正的评估方法。
请参阅Eibe几年前对Wekist邮件的回复：
https://list.waikato.ac.nz/hyperkitty/list/wekalist@list.waikato.ac.nz /thread/WIHQM6EK5HM4J4FHOOFNKDINK2EEWYZI/
-
在分布式跟踪中，数据量可能非常高，因此采样可能很重要（您通常不需要导出所有spans以获得正在发生的情况）。Spring Cloud Sleuth具有Sampler策略，您可以实现该策略来控制采样算法。采样器不会停止生成跨度（相关）ids，但是它们确实阻止了附加和导出的标签和事件。默认情况下，您将获得一个策略，如果跨度已经处于活动状态，则会继续跟踪，但新策略始终被标记为不可导出。如果您的所有应用程
-
当我将Weka GUI分类结果与我的Java程序进行比较时，我遇到了一些问题，用iris数据集执行树（J48）。如果你能帮助我，我将非常感激。 我正在使用iris数据集，并试图开发一个Java程序来对新实例进行分类。为此，我使用Weka GUI获得了一个模型（“iris_tree（CV）。模型”），它经过训练和验证（用10个折叠交叉验证）。Weka GUI的结果是好的和预期的：4个错误分类的实例。
-
如果非周期马尔科夫链的状态转移矩阵P和概率分布$$pi(x)$$对于所有的i,j满足：$$pi(i)P(i,j) = pi(j)P(j,i)$$ 则称概率分布$$pi(x)$$是状态转移矩阵P的平稳分布。 在M-H采样中我们通过引入接受率使细致平稳条件满足。现在我们换一个思路。 从二维的数据分布开始，假设$$pi(x_1,x_2)$$是一个二维联合数据分布，观察第一个特征维度相同的两个点$$A(x
-
我正在尝试在使用的Scikit学习SVM分类器中使用类权重。 我有四节课。现在对于class_weight，我希望四个类中的每一个都有介于0和1之间的随机值。可以用 但这仅适用于一个类，并且值是离散的，而不仅仅是在 0 和 1 之间采样。 我该如何解决这个问题？ 最后但同样重要的是，如果我使用0到1之间或1到10之间的值，这有关系吗(即权重是否被重新调整)？ 所有4类的权重总和是否应该总是相同的值
-
本文向大家介绍储层采样，包括了储层采样的使用技巧和注意事项，需要的朋友参考一下 水库采样是一种随机算法。在该算法中，从具有n个不同项的列表中选择k个项。 我们可以通过创建一个数组作为大小为k的容器来解决它。然后从主列表中随机选择一个元素，然后将该项目放置在容器列表中。一次选择一项时，下次将不再选择。但是他的方法无效，我们可以通过这种方法增加复杂性。 在存储库列表中，复制列表中的前k个项目，现在从列
-
目前 SOFATracer 提供了两种采样模式，一种是基于 BitSet 实现的基于固定采样率的采样模式；另外一种是提供给用户自定义实现采样的采样模式。下面通过案例来演示如何使用。 本示例基于 tracer-sample-with-springmvc 工程；除 application.properties 之外，其他均相同。 基于固定采样率的采样模式 在 application.propertie