我有一组观测值对（值，类别）。值是自然数。只有两个类别。我预期在单一决策点上很容易区分这些类别，例如，如果值<10，则为类别A，如果值>=10，则为类别B。唯一的难点是类别之间在决策边界附近有一些重叠。

对于这个问题，有没有一种快速且轻量级的方法来更新观测值并在Java中对新数据点进行分类？理想的情况是这样的：

classifier.addObservation(observation);classifier.classify(value);   

解决方案将展示一个用于此目的的Java包，并说明你选择该算法的理由。

回答：

经过一番搜索后，我最终使用了Weka。特别是，我使用了朴素贝叶斯分类器。他们的数据结构有点特别，但它有效且速度很快。

package agent.agenttype.ijcai;import weka.classifiers.Classifier;import weka.classifiers.bayes.NaiveBayes;import weka.core.Attribute;import weka.core.FastVector;import weka.core.Instance;import weka.core.Instances;import weka.core.SparseInstance;public class Example {     public static enum ClassLabel {A, B};     Instances trainingSet;     FastVector att = new FastVector(2);     FastVector cl = new FastVector(2);     public Example(){         //添加类别标签         cl.addElement(ClassLabel.values()[0].name());         cl.addElement(ClassLabel.values()[1].name());         //设置我们的值属性的名称         Attribute Attribute1 = new Attribute("Value");          //设置我们的类别标签属性的名称         Attribute ClassAttribute = new Attribute("Label", cl);               att.addElement(Attribute1);         att.addElement(ClassAttribute);             //创建使用我们的属性来解释实例的训练集         trainingSet = new Instances("TrainingSet", att, 2);         trainingSet.setClassIndex(1);//告诉我们的训练集，实例的索引2是类别标签     }    public void addObservationToEdge(int value, ClassLabel classLabel){            Instance instance = new SparseInstance(2);            instance.setValue((Attribute)att.elementAt(0), value); //设置值            instance.setValue((Attribute)att.elementAt(1), classLabel.name());//设置我们的            trainingSet.add(instance);    }    public ClassLabel classifyValue( int value) throws Exception{         Instance instanceForClassification = new SparseInstance(1);         instanceForClassification.setValue((Attribute)att.elementAt(0), value);         instanceForClassification.setDataset(trainingSet);//使实例从训练集中继承属性标签         Classifier cModel = (Classifier)new NaiveBayes();//创建朴素贝叶斯分类器         cModel.buildClassifier(trainingSet);         int labelNumber = (int) cModel.classifyInstance(instanceForClassification);         return ClassLabel.values()[labelNumber];    }    public static void main(String[] args){        Example example = new Example();        example.addObservationToEdge(1, ClassLabel.A);        example.addObservationToEdge(2, ClassLabel.A);        example.addObservationToEdge(5, ClassLabel.A);        example.addObservationToEdge(11, ClassLabel.A);        example.addObservationToEdge(9, ClassLabel.B);        example.addObservationToEdge(12, ClassLabel.B);        example.addObservationToEdge(15, ClassLabel.B);        example.addObservationToEdge(20, ClassLabel.B);        try {        //打印分类结果        for(int i = 0; i<20; i++){            System.out.println("Value: " + i + " Class Label:" + example.classifyValue(i));        }        } catch (Exception e) {        // TODO Auto-generated catch block        e.printStackTrace();        }           }}

输出：

Value: 0 Class Label:AValue: 1 Class Label:AValue: 2 Class Label:AValue: 3 Class Label:AValue: 4 Class Label:AValue: 5 Class Label:AValue: 6 Class Label:AValue: 7 Class Label:AValue: 8 Class Label:AValue: 9 Class Label:AValue: 10 Class Label:BValue: 11 Class Label:BValue: 12 Class Label:BValue: 13 Class Label:BValue: 14 Class Label:BValue: 15 Class Label:BValue: 16 Class Label:BValue: 17 Class Label:BValue: 18 Class Label:BValue: 19 Class Label:B