我正在寻找一些关于我目前面临的问题的建议。
我有一套传感器说S1-S100，当执行某些事件E1-E20时会触发。假设，通常E1触发S1-S20，E2触发S15-S30，E3触发S20-s50等，E1-E20是完全独立的事件。有时，事件E可能会触发任何其他无关的传感器。
我正在使用20 svm的合奏来分别分析每个事件。我的功能是传感器频率F1-F100，触发每个传感器的次数以及其他一些相关功能。
我正在寻找一种技术，可以减少传感器功能的维度（F1-F100）/或包含所有传感器的一些技术，并减少尺寸（我正在为最后几个寻找一些信息理论概念天） 。我不认为平均，最大化是一个好主意，因为我冒着丢失信息的风险（它没有给我很好的结果）。
有人可以建议我在这里缺少什么吗？一篇论文或一些开始的想法......
提前致谢。
答案 0 :(得分：2)
也许你可能想从Linear Discriminant Analysis开始，这是一个相当简单的算法，并且或多或少地做你正在寻找的东西：降维和/或分类。它假设每个类都是高斯分布的，具有不同的均值但具有相同的协方差。事先绘制一些数据以确保这个假设是合理的，这可能是个好主意。我以前在R中使用过LDA实现。然而，这有十几个功能。我不确定它如何扩展到100维。
也可能有助于了解您希望减少数据维度的原因。 SVM通常与数十万（稀疏）特征一起使用，那么你遇到的困难是什么？
答案 1 :(得分：0)
这是一篇与您的问题相关的精彩文章：http://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction
另外，正如@StompChicken所提到的那样，使用几百个功能使SVM工作不会有任何问题。您应该开始在成千上万的功能中看到（操作）问题。
卡洛斯