machine-learning - 小数据集多特征的决策融合

Question

这不是一个很具体的问题，我只是想从这个论坛的同事那里收集想法。

我的问题是；

我从一个摄像头收集的视频数据中估计了人的身高、大小和衣服颜色，我们称之为这些特征，我有一组与另一个数据集相似的人，但从另一个摄像头收集。所以我想识别第二个数据集中的人，如果他们匹配第一个数据集中的特征（比如重新识别）但是，我对如何将这些特征融合在一起以及如何匹配或排列它们感到困惑（就像分类）。

请我需要建议和建议。

Answer 1

你可以试试Canonical Correlation Analysis。维基页面的摘录：

在实验环境中，典型相关的典型用途是采用两组变量并查看两组变量的共同点。

典型相关结果的可视化通常是通过显示显着相关性的典型变量对的两组变量的系数的条形图。一些作者建议，最好将它们绘制为日光图，一种带有射线状条的圆形格式，每一半代表两组变量，例如“典型相关分析：使用复合日光图表示多种模式”。

Answer 2

我同意这听起来像是一个分类问题。不过，您将需要设置两个类，例如人类/非人类。

然后，您必须检查您选择的功能是否适合您的特定问题。您可以为数据库中的每个人绘制特征；这意味着，2D plot x = feature1, y = feature2，对整个数据库从特征 1 到 n 执行此操作。它将让您知道某个特征是否与将人类从其环境中分类的任务相关。

现在，看起来您正在尝试进行二进制分类：人类/非人类。SVM非常适合这样的任务，但如果您不熟悉它或一般的机器学习，您可以从更简单的算法开始，例如kNN。

不要忘记在比方说 [0 1] 之间规范化您的数据，我认为原因很明显！一旦你选择了你的分类算法，你就必须量化你的算法在完成它的任务时有多好。为此，您可以尝试交叉验证（留一法...等），然后是混淆矩阵。

玩得开心 ！