如何將多個特徵向量有效地進行分類

Question

我有4個numpy數組（特徵）。 numpy陣列的尺寸爲：

a1=(360,100) 
a2=(360,100) 
a3=(360,100) 
a4=(360,13) 

我有360個（4個類，每個是90個）音頻文件。我從這些wav文件中獲得了4個不同的功能（a1，.. a4）。我嘗試了這些功能（a1，.. a4）來分別訓練svm和分類音頻。但有些結果不好。現在我想結合這4個特徵來獲得更好的結果。但我不想連接這些矩陣。我只想確定這些特徵的一些係數，並獲得一個用於分類的特徵向量。 例如，

時，我只使用A1的特徵，表現爲：

class1=%50, class2=%85, class3=%95, class4=%95 

當我只使用A2功能，性能：

class1=%30, class2= %96, class3=%94, class4=%80 

當我只使用A3功能，其性能是：

class1=%64, class2=%94, class3=%74, class4=%97 

當我使用只是a4功能，性能是：

class1=%74, class2=%96, class3=%85, class4=%88 

如何一起使用這4個功能來提高性能？我也連接了這些功能，但性能也不好。謝謝

Answer 1

你描述它的方式看起來很像boosting：你的4個分類器中的每一個都很弱（見this answer），助推的想法是將一羣弱的學習者轉換爲強大的學習者。

可以從您現有的分類器手動完成，例如， using sci-kit。但我認爲最簡單的方法是使用XGBoost，它將在內部使用您的所有功能，爲每個功能建立一個分類器，然後將它們提升爲一個分類器：

from xgboost import XGBClassifier 

model = XGBClassifier() 
model.fit(train_x, train_y) 
model.predict(test_x)