SVM 机器学习 - 如何在训练集中定义目标？答案

【问题标题】：SVM machine learning - How to define the target in the training set?SVM 机器学习 - 如何在训练集中定义目标？
【发布时间】：2016-02-16 09:47:41
【问题描述】：

我正在做一个项目，我必须实现 SVM 机器学习算法。我试图预测前臂运动的意图。我正在使用加速度计（附在我的前臂上）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建训练集。我知道每个轴的角度变化，并且我知道我执行的 x=45 度、y = 65 度、z=30 度手势是弯曲的。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，我必须对训练集进行标准化，以便对数据进行缩放。我想缩放它，使它们在[0.9, 0.1] 的范围内。问题是我不知道如何在我的训练集中表示目标。我可以使用随机数作为 1 用于屈曲，2 用于内旋，3 用于扭转吗？

此外，一旦训练完成，我可以仅根据 x、y、z 的值进行预测吗？无需提供目标值。我的理解对吗？

【问题讨论】：

一定要用SVM吗？
您可能在交叉验证社区中对这个问题有更好的运气。
有人建议我使用 SVM... 什么是交叉验证社区？？？

标签： machine-learning svm training-data

【解决方案1】：

首先，我建议您不要缩放或编码您的数据。将其保留为人类可读的形式。相反，编写前端例程来执行这些任务，并编写后端例程来逆转这个过程。还有可以在内部表单中显示数据的内部例程。预先做这些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“单热”有序三元组：(1,0,0) 或 (0,1,0) 或(0,0,1)。然而，大多数 SVM 算法都是为标量输出而设置的。另外，请注意，多类算法的典型处理是运行三个单独的 SVM 计算，“一对一”。对于每个类，您将该类作为“加”数据，将所有其他类作为“减”数据。

缩放数据对于回归收敛很重要。如果您通过支持向量的完整和直接计算来构建您的 SVM，则不需要缩放兼容范围内的数字，例如这些。如果您通过某种迭代近似来执行此操作，您仍然不需要它来处理这些数据 - 但请记住它以备将来使用。

是的，预测只给出输入：x、y、z。它将返回目标分类。这就是监督学习的目的：总结经验对未来进行分类。

【讨论】：

缩放数据对于 SVM 也很重要，因为这不是仿射变换不变方法。结果不同的尺度意味着不同的结果，这与求解器无关，而是 SVM 成本本身。此外，任何类转换都没有任何意义——既不需要编码为 1、2、3 或 one-hot，因为 SVM 是二进制模型，它不会关心你如何称呼你的标签。
感谢您的更新。我使用的一些算法坚持将标签编码为整数。如果该限制不在 OP 的算法中，那么人工编码它们肯定没有意义。
当然，许多事情可能是特定于实现的，对于 SVM 而言，任何特定编码都没有意义，尽管特定库需要编码。
非常感谢您的回答。非常有帮助.. 但我没有得到这部分：另外，请注意，多类算法的典型处理是运行三个单独的 SVM 计算，“一对一”。对于每个类，您将该类作为“加”数据，将所有其他类作为“减”数据。对不起，我就是听不懂
研究“SVM”+“one vs all”。有很多热门歌曲。简而言之，您为每个类训练一次：将该类重新编码为“1”，将其他类重新编码为“0”，然后训练 SVM 模型。当你完成了所有三个班级的考试后，你就可以解决你找到的模型之间的重叠或差距（通常是通过一个“最接近”的分数，有时会根据班级规模加权）。