机器学习中的加权系统程序如何工作？
How does the weighting system procedure in machine learning work?
在 Weka 中，我们可以选择为某些实例分配权重，尤其是当数据集在 类 方面不平衡时。但我不明白的是这个加权系统是如何工作的？
例如：当我们使用朴素贝叶斯或决策树作为数据集的分类算法时，某些实例的权重为 5，是否意味着这些实例被算法考虑了 5 次？
样本权重特定于分类器。没有一个普遍的答案。许多分类器（以及回归器）都有自己使用样本权重的内部方法。对于他们中的许多人来说，这相当于从样本复制的角度来考虑它，但是请记住权重 可以是任意的，正实数 ，因此您可以通过 pi 来加权即使您无法复制样本 pi 次。在朴素贝叶斯的情况下 - 在概率估计器内部使用样本权重对每个样本按比例加权，因此它等同于复制（如果你输入 整数 权重）。对于决策树，它要复杂得多，对于任意方法 - 答案是 model/implementation 具体的。
在 Weka 中，我们可以选择为某些实例分配权重，尤其是当数据集在 类 方面不平衡时。但我不明白的是这个加权系统是如何工作的？
例如：当我们使用朴素贝叶斯或决策树作为数据集的分类算法时，某些实例的权重为 5，是否意味着这些实例被算法考虑了 5 次？
样本权重特定于分类器。没有一个普遍的答案。许多分类器（以及回归器）都有自己使用样本权重的内部方法。对于他们中的许多人来说，这相当于从样本复制的角度来考虑它，但是请记住权重 可以是任意的，正实数 ，因此您可以通过 pi 来加权即使您无法复制样本 pi 次。在朴素贝叶斯的情况下 - 在概率估计器内部使用样本权重对每个样本按比例加权，因此它等同于复制（如果你输入 整数 权重）。对于决策树，它要复杂得多，对于任意方法 - 答案是 model/implementation 具体的。