如何有效地组合多个特征向量进行分类答案

【问题标题】：How to combine multiple feature vectors effectively for classifying如何有效地组合多个特征向量进行分类
【发布时间】：2018-03-03 15:37:37
【问题描述】：

我有 4 个 numpy 数组（功能）。 numpy数组的维数为：

a1=(360,100)
a2=(360,100)
a3=(360,100)
a4=(360,13)

我有 360 个（4 个班级，每个班级 90 个）音频文件。我从这些 wav 文件中获得了 4 个不同的特征（a1，..a4）。我分别尝试了这些功能（a1，..a4）来训练 svm 并对音频进行分类。但有些结果并不好。现在我想结合这 4 个特性来获得更好的结果。但我不想连接这些矩阵。我只想确定这些特征的一些系数，并获得一个特征向量进行分类。例如，

当我只使用 a1 功能时，性能是：

class1=%50, class2=%85, class3=%95, class4=%95

当我只使用 a2 功能时，性能是：

class1=%30, class2= %96, class3=%94, class4=%80

当我只使用 a3 功能时，性能是：

class1=%64, class2=%94, class3=%74, class4=%97

当我只使用 a4 功能时，性能是：

class1=%74, class2=%96, class3=%85, class4=%88

如何同时使用这 4 个功能来提高性能？我也连接了这些功能，但性能也不好。谢谢

【问题讨论】：

标签： python classification svm xgboost adaboost

【解决方案1】：

按照您的描述方式，它看起来很像 boosting：您的 4 个分类器中的每一个都是弱的（请参阅 this answer），而提升的想法是将一堆弱学习器转换为强学习器。

可以从您现有的分类器中手动完成，例如using sci-kit。但我认为最简单的方法是使用XGBoost，它将在内部使用您的所有功能，为每个功能构建一个分类器，然后将它们提升为一个分类器：

from xgboost import XGBClassifier

model = XGBClassifier()
model.fit(train_x, train_y)
model.predict(test_x)

【讨论】：