减少监督学习的维度答案

【问题标题】：Reducing dimensions for supervised learning减少监督学习的维度
【发布时间】：2016-06-13 13:15:51
【问题描述】：

我有这种类型的 numpy 数组。在这里，我展示了数组的 2 个元素。我已将 .jpeg 文件转换为 numpy 数组。

[[[130 130 130 ..., 255 255 255]
  [255 255 255 ..., 255 255 255]
  [255 255 255 ..., 255 255 255]
  ..., 
  [255 255 255 ..., 255 255 255]
  [255 255 255 ..., 255 255 255]
  [ 68  68  68 ...,  68  68  68]]

  [[130 130 130 ..., 255 255 255]
  [255 255 255 ..., 255 255 255]
  [255 255 255 ..., 255 255 255]
  ..., 
  [255 255 255 ..., 255 255 255]
  [255 255 255 ..., 255 255 255]
  [ 68  68  68 ...,  68  68  68]]]

这个 numpy 数组的形状为：(2, 243, 320)。现在我想对这个特征数组以及一个标签 numpy 数组进行监督学习。但是当我尝试这样做时，它会显示预期的参数数量

现在我尝试通过 LDA 减小尺寸，如下所示。

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
lda = LinearDiscriminantAnalysis(n_components=2)
X_r2 = lda.fit(features, labels).transform(features)

但它再次表示 LDA 需要

【问题讨论】：

标签： python numpy scikit-learn scikit-image

【解决方案1】：

您的代码的问题很简单，您没有以所需的格式发送列表.....fit 需要的格式是二维数组。你发送的是一个 3 维的......没有必要使用降维，因为它完全是一个不同的问题......（为了防止过度拟合具体）

所以假设你的数组是名称arr(ndarray)

就这样做——

fin_array = arr.reshape((2*243, 320))

这会将您的数组转换为 2d 列表，现在您可以使用它来拟合模型！

【讨论】：

优秀的答案。太感谢了。我是机器学习新手，所以我的基础不是那么强。

【解决方案2】：

使用重塑：

new_img = np.reshape(old_data,(2,243*320))

【讨论】：

ValueError：新数组的总大小必须保持不变。这是我尝试这个时的错误。
试试这个：new_img = np.reshape(old_data,(2,243*320,1)) 然后使用挤压消除最后一个轴