我正在一个必须实施SVM机器学习算法的项目中。我正在尝试预测前臂运动的意图。我正在使用加速度计（连接到我的前臂）来测量x，y，z轴的角度变化。我以前从未使用过机器。我遇到的问题是我不完全知道如何构造训练集。我知道每个轴的角度都发生变化，并且我知道例如我执行的x=45度数，y = 65度数，z=30度数手势是否为屈曲。我想实现3个手势，所以我拥有的数据是：
x y z Target
20 60 90 flexion
100 63 23 internal rotation
89 23 74 twist
。。。。
我有一个包含大约2000个条目的文件。我知道，我必须归一化训练集，以便按比例缩放数据。我想按比例缩放它们，使其处于范围内[0.9, 0.1]。问题是我不知道如何在我的训练集中代表目标。我可以只将随机数用作1来表示屈曲，将2用作内部旋转，将3表示扭曲吗？
同样，一旦训练完成，我可以仅基于x，y，z的值进行预测吗？无需提供目标值。我的理解正确吗？
首先，我建议您不要扩展或编码数据。将其保留为易于阅读的形式。而是编写前端例程来执行这些任务，并编写后端例程来逆转该过程。还具有内部例程，可以以内部形式显示数据。预先进行这些操作将极大地增强您以后的调试。
是的，您可能希望将分类编码为1、2、3。另一种可能性是使用“单次热”有序三元组：（1,0,0）或（0,1,0）或（0， 0,1）。但是，大多数SVM算法都是为标量输出设置的。另外，请注意，多类算法的典型处理方法是运行三个单独的SVM计算，“一个反对所有”。对于每个类别，您将该类别视为“正”数据，而将所有其他类别视为“负”数据。
标度数据对于回归收敛很重要。如果要通过对支持向量的直接完整计算来构建SVM，则无需缩放诸如此类的兼容范围内的数字。如果您通过某种迭代逼近来进行此操作，则对于此数据仍将不需要它-但请记住以备将来使用。
是的，预测仅提供输入：x，y，z。它将返回目标分类。这就是监督学习的目的：总结经验以对未来进行分类。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句