python-3.x - 机器学习中如何处理不同维度的特征向量？

Question

我是机器学习的初学者，我正在尝试使用数据集来训练对数线性分类器。数据集包含五个特征，每个特征都是一个向量，但特征的维度不同。维度分别为 3、1、6、2 和 2。我尝试使用 scikit-learn 的 PCA 方法将维度减少到 1，但效果不佳。那么如何处理这些特征以适应逻辑回归等对数线性分类器模型？

Answer 1

实现此目的的一个简单方法就是扁平化所有功能。然后将其输入到分类器中。

一个例子:

features = [... 
          [[0, 1 3], [5], [2, 6, 4, 7, 8, 9], [1, 0], [0, 1]], #for one sample
          ...]

使用列表理解来展平特征内的每个列表:

flattened_features = [[i for k in f for i in k] for f in features]

这会将功能变成这样:

    flattened_features
    [... 
    [0,1,3,5,2,6,4,7,8,9,1,0,0,1], #for one sample
    ...]

现在您可以将其转换为 numpy 数组并将其输入到您的模型中。