Ich muss einen Klassifizierer mit Daten trainieren, deren Dimensionalität variieren kann. Zum Beispiel (und dies ist Datum anschauliche-up):Klassifizierer für Daten mit unterschiedlicher Dimensionalität
class-1,0,1,2,3
class-2,0,3,2,4,5,7
class-3,1,8,8,8,2,8,0,0,0
:
:
and so on...
Ich versuche, eine lineare SVM mit scikit-learn
zu trainieren, die die Dimensionalität festgelegt werden muss. Ein einfaches Zero-Padding der kleineren Dims, um das Dim des größten Dim anzupassen, gibt mir enttäuschende Ergebnisse.
Sollte ich einen anderen Klassifikator für solche Daten verwenden? Wie soll ich das angehen?
Was ist die Natur (Herkunft, wirkliche Bedeutung) Ihre Daten und was hat die Vorverarbeitungsschritte gewesen, wenn überhaupt? – shirowww
Sie sind Intensitätsmessungen an verschiedenen Punkten einer Oberfläche und machen ein Bild. Je nach Oberflächentyp und Bedingungen könnte ich also 1..n Messungen haben (wobei n <1024). Danke – Santino
Ich habe PCA basierte Dimensionalitätsreduktion versucht, aber nicht sicher, dass das hier angebracht ist. – Santino