1樓：yyHaker
可以考慮使用邏輯回歸模型，這樣可以輸出每種類別的概率；此外，由於你的資料量很小，可以考慮去採集更多資料，或者根據資料的特點進行一些資料增強。
2樓：Jack Stark
每類不到100條指的是全部資料集嗎？這樣再分一下訓練/測試集，訓練集確實太少了。
資料量少那麼訓練會很快呀，所以多嘗試各種方法更好一點。建議SVM、nn和樹模型等都試一下，每個方法都盡可能調到最好，最後哪個效果好選哪乙個。
3樓：Narusaki
不知道這麼小的樣本量用神經網路會怎麼樣，不敢妄下斷言，但也許使用傳統方法（如logstic regression；如果用sklearn的svm的話，也可以得到概率值，但那是用logistic regression加交叉驗證後得到的結果——這一方法本身對小樣本量可能就不work，且無法保證和不輸出概率值的結果一致）會更好。
另外，如果是ph值這種本身是取過log的feature，按我的理解有沒有可能構造乙個指數形式的特徵轉換比較好？比如所有ph值的feature x都處理成e^x。
4樓：jackwang
理解有點歧義。如果是一些沒有打過標籤的資料，你想分三類，看每一類的概率，那就k means. 如果是監督學習，可以用你的方式或者KNN.
但是KNN是直接給出了答案，即分類標準，不是概率值。當然你可以嘗試使用貝葉斯分類。
5樓：弱雞
SVM給不了概率。
如果我是你的話，首先是想人能不能做分類，比如給你個feature，你能不能給這三個做分類。
如果人分不出來，就有以下兩個方案。1是PCA, 看看出來的feature能不能幫你（我是指人觀察）做分類，2是看kernel density畫一下分布，看看三個類是不是都分開了。
如果能，那很簡單的logistic regression或者Bayesian rule可能就能做 ，就是傳統方法
如果不能，也就是說feature裡面不包含與label有關的直觀資訊，那這個事就只能NN做了，但是結果就保證不了了。
三分類不平衡資料集，第一類佔比95 以上，stacking後為何少數類識別效果都不如基模型？
張先生 前提 我假設你的訓練準確率是還不錯的 因為你沒具體說 首先資料極端不平衡本來就會出問題，像你目前的資料分布，分類器即便把所有樣本都分成A類，由於A類佔比95 所以也能得到很高的訓練準確率，但實際上並沒有學習到太多B類和C類的特徵，導致分類器過度學習了A類的特徵，而對B類和C類的泛化效果並不好...
新人想做乙個死亡細胞那種型別的橫版2d遊戲，有什麼軟體推薦？
庫拉托斯 同意 莉姆莉莉姆的觀點，pixel game maker mv是乙個可以嘗試的選擇，但這只是我的個人建議，我並不確定，因為我沒有真正使用過這款引擎製作遊戲，只是對他略有耳聞。這款引擎不需要程式設計基礎，很適合熟悉遊戲開發邏輯的新手，而且這款引擎自帶的各種模板就是橫版act，很符合題主的要求...
如何做好乙個三分鐘演講
coco 只是因為不知道怎樣去講，那就從吸引做起，上去演講重要的是台下的人聽進去多少比你自己講什麼會更重要，那首先不管是溝通 演講 授課 談判乙個好的聲音就是您的第二個形象，好聽的聲音的直擊人心同時可以傳達更多的情緒和情感，如果您也經常擔任企業內訓師又或者是經常演講的話，那在您經過練習之後一定會在課...