iamsamzhang的专栏

先别忘了添加WEKA的jar包，代码如下import java.io.File;import weka.classifiers.Classifier;import weka.classifiers.trees.J48;import weka.core.Instances;import weka.core.converters.ArffLoader;// 将以

原文：http://blog.youkuaiyun.com/anqiang1984/article/details/4048177package com.csdn;import java.io.File;import weka.attributeSelection.InfoGainAttributeEval;import weka.attributeSelection.Rank

1.      扩大数据集。俗话说的好，更好的数据往往能打败更好的算法。当我们想要提高机器学习的分类准确率时，第一个可用的方法就是扩大数据集。只要机器学习花费的时间在可以接受的范围内，就可以继续扩大数据集，它往往可以使我们获得更理想的分类准确率。2.      分类器选择。遗憾的是，理想的数据集规模往往是我们可望不可即的。这时，我们应该想到的就是选择适合的分类器。以weka为例，如果你使用的训

1、C4.5机器学习中，决策树是一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。从数据产生决策树的机器学习技术叫做决策树学习, 通俗说就是决策树。决策树学习也是数据挖掘中一