我是Weka 3.7.9的新手。我有一个arff文件，包含以下属性、类别和数据：http://pastebin.com/s8hivv0U

这个文件代表Android项目。因此，1-9属性是不同类型的度量标准：

1. lloc – 逻辑代码行数
2. nid – ID数量
3. nle – 嵌套级别
4. nel – 元素数量
5. nip – 输入元素数量
6. activites – AndroidManifest中的活动数量
7. inside-permissions – AndroidManifest中的内部权限数量
8. outside-permissions – AndroidManifest中的外部权限数量
9. all-permissions – AndroidManifest中的权限总数
10. class {4, 4.6, 3.8, 2.6, 5, 3.2, 3.6, 4.2, 4.1}

最后一个是包含项目Google Play评级的类别。

所以每一行都是一个Android项目。（当然，原始的*.arff文件包含更多项目…）

我想使用学习算法来分析数据。预测因子是从1到9。我想确定哪些预测因子对Google Play评级影响最大。

我该怎么做？有什么最好的方法来实现这一点？我希望你能向我解释一下，如果可能的话。

提前感谢，Peter

回答：

类别类型

首先，我建议你将class类型更改为numeric，如果你希望输出是连续的。否则，我建议保持类别标签类型为nominal（如你现在所设），但将评级更改为{1, 2, 3, 4, 5}。

如果你更改为数值输出（例如，你可以预测4.5星），那么你需要使用能够处理数值类别的分类器。

使用Weka

我建议你查看文档以了解更多关于使用Weka的信息，可能通过一些教程来学习。例如，双击你的ARFF文件后，你应该在Classify选项卡中进行大部分工作。选择一个分类器，然后选择Start。

分类器

回归

回归，特别是线性回归，因为它易于解释，因为它简单地为每个属性分配一个权重，并使用这些权重的乘法和加法来给出输出。

我使用了你的示例文件，并用LinearRegression进行了测试，但由于样本太少，它确定最好的模型只是输出3.9667作为评级，这将给出平均绝对误差0.4722。

不满意，我接下来尝试了SimpleLinearRegression，它给出了模型-0.02 * activites + 4.13，并将给出平均绝对误差0.472。

SMOreg给出了以下模型

weights: +       0.1147 * (normalized) lloc -       0.0404 * (normalized) nid -       0.1662 * (normalized) nle -       0.0647 * (normalized) nel +       0.3385 * (normalized) nip -       0.1352 * (normalized) activites -       0.019  * (normalized) inside-permissions -       0.0464 * (normalized) outside-permissions +       0.1602 * (normalized) all-permissions +       0.5921

并且具有平均绝对误差0.3859。但在这一点上，我认为由于数据点太少，你正在过拟合你的数据。

最近邻

如果有更多数据，使用k-最近邻可能是可行的方法，在Weka中它被称为KStar。

决策树

DecisionStump算法输出这个模型，平均绝对误差为0.3424，但同样可能过拟合。

inside-permissions <= 1.5 : 2.6inside-permissions > 1.5 : 4.090909090909091inside-permissions is missing : 3.966666666666667

更多数据

如你所见，模型和误差率并不是很好，考虑到你只有12个数据点。要构建一个真正好的模型，你需要更多数据。为了准确了解模型的表现，你不仅需要有足够的数据来训练，还需要有足够的数据作为单独的测试集，仅用于测试模型的性能。