机器学习中如何处理不同维度的特征向量？

Question

我是机器学习的初学者，我正在尝试使用数据集来训练对数线性分类器。数据集包含五个特征，每个特征都是一个向量，但特征的维度不同。尺寸分别为 3、1、6、2 和 2。我尝试使用 scikit-learn 将尺寸减小到 1 的 PCA 方法，但效果不佳。那么如何处理特征以拟合逻辑回归等对数线性分类器模型？

Answer 1

一个简单的方法就是扁平化你的所有特征。然后将其输入到您的分类器中。

一个例子：

features = [... 
          [[0, 1 3], [5], [2, 6, 4, 7, 8, 9], [1, 0], [0, 1]], #for one sample
          ...]

使用列表推导来展平特征内的每个列表：

flattened_features = [[i for k in f for i in k] for f in features]

这会将功能变成这样的：

    flattened_features
    [... 
    [0,1,3,5,2,6,4,7,8,9,1,0,0,1], #for one sample
    ...]

现在您可以将其转换为 numpy 数组并将其输入到您的模型中。