将多个功能与 svm 相结合
Posted
技术标签:
【中文标题】将多个功能与 svm 相结合【英文标题】:Combining multiple features with svm 【发布时间】:2012-12-31 03:57:30 【问题描述】:我想使用Support Vector Machine 组合Histogram of oriented gradients 和Local Binary Pattern。但是,这些特征具有不同的维度。我该如何组合它们?
【问题讨论】:
你能提供更多细节吗? (也许通过示例数据)您尝试了什么? 为什么不简单地标准化两个向量并将它们连接起来? @greeness 我有 HOG(定向梯度直方图)和 LBP(局部二进制模式)功能。 HOG 特征的大小为 4608*no of images,LBP 特征的大小为 7424*no of images。我想学习一个使用这两个功能的 SVM(支持向量机)分类器。但是,由于它们的大小不同,我不能直接将它们组合起来学习一个分类器。我应该如何进行? @nikie 功能已经标准化。此外,标准化不会对维度产生任何影响。 【参考方案1】:nikie 上面的评论是正确的:您可以连接这些功能。因此对于每个数据点(图像),特征向量将如下所示:
[HOG1, HOG2, ..., HOG4608, LBP1, LBP2, ..., LBP7424]
其中 HOGn 是 HOG 特征等中的第 n 个特征。
然后您的数据集将具有大小(图像数量,4608+7424)。
【讨论】:
谢谢.....如何将线性支持向量机和非线性支持向量机输出等权相结合? 我在一个旧线程下问,但我想知道,在这种情况下,所有 HOG1,...,HOGN 和 LBP1,...,LBPM 特征都是向量值,它们本身连接成更大的向量。对吗?以上是关于将多个功能与 svm 相结合的主要内容,如果未能解决你的问题,请参考以下文章