机器学习：PCA用于不同数量的功能

Question

我是机器学习的新手，我正在建立一个简单的应用来识别口头数字 我使用MFCC来提取音频文件的过滤特性。 MFCC输出一个13 x length_of_audio矩阵。我想将此信息用于我的特征向量。但显然，每个例子都有不同数量的特征 我的问题是处理不同数量的功能的方法是什么。例如。我可以使用PCA总是提取一些固定数量的功能，然后在特定的学习算法中使用它们吗？ 我想使用逻辑回归作为学习算法。

这是我在分析其中一个口述数字时收到的内容。

Answer 1

在你的情况下，如果你的用户有一个length_of_audio_matrix = N你没有13 * N的特征向量，你有N个长度为13的特征向量（它们组成一个序列，但它们是不同的特征向量）。

您必须编写包含13个要素的矩阵：

MFCCUser1,Slot1
MFCCUser1,Slot2
....
MFCCUser1,SlotN
MFCCUser2,Slot1
MFCCUser2,Slot2
...

然后您可以应用主成分分析。

你只有13个功能，你真的需要减少它们吗？