1.      擴大資料集。俗話說的好，更好的資料往往能打敗更好的演算法。當我們想要提高機器學習的分類準確率時，第一個可用的方法就是擴大資料集。只要機器學習花費的時間在可以接受的範圍內，就可以繼續擴大資料集，它往往可以使我們獲得更理想的分類準確率。

2.      分類器選擇。遺憾的是，理想的資料集規模往往是我們可望不可即的。這時，我們應該想到的就是選擇適合的分類器。以weka為例，如果你使用的訓練集較小，那麼高偏差/低方差分類器（如樸素貝葉斯）將會是你較優的選擇。然而，隨著訓練集的增大，低偏差/高方差分類器（如k近鄰）將提供更好的分類結果，因為它們具有較低的漸近誤差，而高偏差分類器則不足以提供準確的模型。此外，資料的各個屬性是離散值還是連續值，資料噪聲的大小等都可以成為選擇分類器的依據。

3.      屬性子集選擇。好馬需配好鞍。在我們選擇了合適的分類器後，還需要進行的一項工作就是資料屬性子集的選取，也就是選出那些與類別屬性相關性較強的，去除不相關和冗餘的屬性。這項工作如果人工來做的話，是十分複雜且困難的。不過，好在很多機器學習工具都為我們提供了這項功能，還以weka為例，它為我們提供了一個工具——屬性評估器。屬性評估器分類兩類：一是屬性子集評估器，它的作用是為我們返回一個“最優”（是否真的最優，還需進行驗證）的屬性子集。二是單個屬性評估器，它通過將給定數目的屬性進行排序，得到了一個直觀的屬性排名列表，我們可以自己把那些排名靠前的屬性選出來，並用它們進行分類，從而提高準確率。

4.      整合學習。俗話說的好，三個臭皮匠賽過諸葛亮。機器學習也是如此，整合學習的目標就是通過把若干個弱學習器組合起來，使其成為一個強學習器，從而獲得更好的分類準確率。關於強、弱學習器的定義，大家有興趣可以百度，我就不贅述了。然後，關於在程式設計中如何實現整合學習，我給大家一個傳送門：http://blog.csdn.net/anqiang1984/article/details/4045903。最後，我再強調一點，在整合的過程中，選擇哪些弱學習器進行整合呢？有個判斷標準，一是弱學習器的準確率越高越好，二是這些弱學習器之間的差異性越大越好。根據這兩個標準進行選擇性整合將會獲得很不錯的效果。

5.      演算法改進。這點非常難，尤其是在機器學習已經發展了那麼多年，無數大牛先後投入其中的情況下，想要改進演算法是我們一般人做不到的。但是，也存在一種可能，就是當我們利用機器學習解決某個特定領域的問題時，也許可以利用我們對該領域知識的掌握，比如該領域資料有何特點，來對某一演算法進行適當的調整，以使得該演算法可以更好地應用在這個領域的資料上，從而獲得更好的效果。如果有哪位朋友有相關的工作經歷或者經驗，也希望您能和大家分享一下。

以上只是我剛剛接觸機器學習後的一點點總結，肯定存在很多錯誤，還希望大家多多批評指正。