将多个功能与 svm 相结合答案

【问题标题】：Combining multiple features with svm将多个功能与 svm 相结合
【发布时间】：2012-12-31 03:57:30
【问题描述】：

我想使用Support Vector Machine 组合Histogram of oriented gradients 和Local Binary Pattern。但是，这些特征具有不同的维度。我该如何组合它们？

【问题讨论】：

你能提供更多细节吗？（也许通过示例数据）您尝试了什么？
为什么不简单地标准化两个向量并将它们连接起来？
@greeness 我有 HOG（定向梯度直方图）和 LBP（局部二进制模式）功能。 HOG 特征的大小为 4608*no of images，LBP 特征的大小为 7424*no of images。我想学习一个使用这两个功能的 SVM（支持向量机）分类器。但是，由于它们的大小不同，我不能直接将它们组合起来学习一个分类器。我应该如何进行？
@nikie 功能已经标准化。此外，标准化不会对维度产生任何影响。

【解决方案1】：

nikie 上面的评论是正确的：您可以连接这些功能。因此对于每个数据点（图像），特征向量将如下所示：

[HOG1, HOG2, ..., HOG4608, LBP1, LBP2, ..., LBP7424]

其中 HOGn 是 HOG 特征等中的第 n 个特征。

然后您的数据集将具有大小（图像数量，4608+7424）。

【讨论】：

谢谢.....如何将线性支持向量机和非线性支持向量机输出等权相结合？
我在一个旧线程下问，但我想知道，在这种情况下，所有 HOG1,...,HOGN 和 LBP1,...,LBPM 特征都是向量值，它们本身连接成更大的向量。对吗？