使用 Weka 预测 Google Play 评分

Question

我是 Weka 3.7.9 的新手。 我有一个 arff 文件，其中包含这些属性、类和数据： http://pastebin.com/s8hivv0U

此文件代表 Android 项目。 所以，1-9。属性是不同类型的指标：

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

最后一个类包含项目的 Google Play 评分。

所以每一行都是Andorid项目。 （当然，原来的 *.arff 文件包含更多的项目...）

我想用学习算法分析数据。 预测变量从 1 到 9。 我想确定哪些预测因素对 Google Play 评分的影响最大。

我该怎么做？ 最好的方法是什么？ 如果可能的话，我想请你给我解释一下。

提前致谢， 彼得

Answer 1

类类型

首先，如果您希望输出连续，我建议您将class 类型更改为numeric。否则，我建议将类标签类型保留为 nominal（就像您现在拥有的那样），但将您的评级更改为 {1, 2, 3, 4, 5}。

如果您更改为数字输出（例如，您可以给出 4.5 星的预测），那么您需要使用能够进行数字类的分类器。

使用 Weka

我建议查看documentation 以了解有关使用 Weka 的更多信息，可能需要阅读一些教程。例如，双击您的 ARFF 文件后，您应该在 Classify 选项卡中完成大部分工作。选择一个分类器，然后选择Start。

分类器

回归

Regression 尤其是linear regression 很好，因为它很容易解释，因为它只是为您的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。

我使用了您的示例文件并使用LinearRegression 对其进行了测试，但是由于样本如此之少，它确定最好的模型只是将3.9667 输出为评级，这将为您提供0.4722 的平均绝对误差.

不满意，接下来我尝试了SimpleLinearRegression，它给出了一个模型-0.02 * activites + 4.13，并且将给出0.472的平均绝对误差。

SMOreg 给出以下模型

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

平均绝对误差为0.3859。但在这一点上，我认为你的数据点如此之少，overfitting 你的数据。

最近的邻居

如果您有更多数据（在 Weka 中称为 KStar），使用 k-nearest neighbors 可能是一种可行的方法。

决策树

DecisionStump 算法以0.3424 的平均绝对误差输出此模型，但同样可能过度拟合。

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

更多数据

如您所见，考虑到您只有 12 个数据点，模型和错误率并没有那么高。要建立一个非常好的模型，您需要更多的数据。要准确了解模型的运行情况，您不仅需要有足够的数据进行训练，还需要有足够的数据作为单独的测试集保存，仅用于测试模型的性能。