如何找到三个矩阵的共同特征？

Question

我有A, B和C三个矩阵，大小都是120*1000 double，其中120代表时间点个数，1000代表特征总数。对于每个矩阵，都有一个对应的回归矩阵，其大小均为120*5 double。回归矩阵只包含"1"和"0"，其中"1"代表这个时间点有刺激，"0"代表休息时间点。我想结合三个回归矩阵找到A, B 和C 三个矩阵的共同特征。然后我想训练一个基于矩阵A 和B 的分类器。最后，我想根据训练数据对矩阵C进行分类。如何实现？谢谢！

Answer 1

我希望更有资格的人介入，但看起来 OP 方面缺乏具体信息正在阻止他们所有人不回答。我的 cmets 旨在作为指导而不是作为答案，而是根据要求将我的评论移至回答。

首先，这与我的那杯茶相去甚远，所以要带着极端的偏见来处理，但是：

1. 如果特征/主题不相关

   那么您应该将每个作为单独的 1D 函数/数组/向量处理并训练您的神经网络分类器（每个特征一个）。

2. 如果特征相互依赖

   然后您需要将所有这些都用作神经网络分类器的输入，并拥有具有足够多节点（wights）的网络架构，能够处理如此大量的数据。

3. 只有当你想减少分类器的输入时，你才需要找到你自己的依赖项

   但是当你要使用神经网络时，你不需要这样做，因为神经网络往往会自己做。如果你这样做，它会降低所需的架构复杂性。

   无论如何，如果您真的需要这样做，那么 PCA Principal Component Analysis 就是您的方式...此步骤通常用于基于确定性的分类器（不是神经网络分类器，例如基于 correlation coefficients，或基于任何距离公制等...）。 PCA 的优点是您不需要对数据了解太多......我知道的所有其他减少方法通常利用依赖项或数据的某些功能，但为此您需要知道我认为并非如此详细的输入属性。