朴素贝叶斯，35个实例数据集上的15个特征-7个类

Question

我正在做我的课程项目，其中包含一个分类问题。它是关于将智能手机移动划分为7个不同的类别。我使用的是加速计(LinearAcceleration)。我提取了15个特征(每个轴5个)，它们是：- mean (时间)- std (时间)- DC偏移，mean (频率)-能量(频率)-熵(频率)

频域特征是通过快速傅立叶变换得到的。

我的应用程序希望用户训练每个类最多5个实例的分类器(用户为每个类执行5次移动)，到目前为止，我一直使用WEKA库中的朴素贝叶斯实现。

我的问题是-我对分类器的准确性不满意。对于这么小的数据集，有没有其他分类器表现得更好？

稍后，应用程序将收集更多实例并将其添加到训练数据集中，然后重新训练分类器，但在开始时，我不能要求用户每个类提供超过5个实例。

你会有什么建议？

Answer 1

当你们的特征不相互影响时，朴素贝叶斯效果很好……但是当你有很小的数据集时，它效果很好，另一方面，你可以尝试逻辑回归或支持向量机

但在现实场景中，您的算法并不重要，您的数据集(实例、要素)更为重要