我有4个numpy数组（功能）。 numpy数组的维度是：
a1=(360,100)
a2=(360,100)
a3=(360,100)
a4=(360,13)
我有360（4个类，每个是90）音频文件。我从这些wav文件中获得了4个不同的功能（a1，... a4）。我尝试了这些功能（a1，... a4）分别训练svm并对音频进行分类。但有些结果并不好。现在我想结合这4个功能来获得更好的结果。但我不想连接这些矩阵。我只想确定这些特征的一些系数，并获得一个特征向量进行分类。 例如，
当我只使用a1功能时，性能是：
class1=%50, class2=%85, class3=%95, class4=%95
当我只使用a2功能时，性能是：
class1=%30, class2= %96, class3=%94, class4=%80
当我只使用a3功能时，性能为：
class1=%64, class2=%94, class3=%74, class4=%97
当我只使用a4功能时，性能为：
class1=%74, class2=%96, class3=%85, class4=%88
如何一起使用这4个功能来提高性能？我也连接了这些功能，但性能也不好。谢谢
答案 0 :(得分：0)
你描述它的方式，它看起来很像boosting：你的4个分类器中的每一个都很弱（见this answer）而且提升的想法是将一堆弱学习者变为强者的。
可以从现有的分类器手动完成，例如using sci-kit。但我认为最简单的方法是使用XGBoost，它将在内部使用你的所有功能，为每个功能构建一个分类器，然后将它们提升为一个分类器：
from xgboost import XGBClassifier
model = XGBClassifier()
model.fit(train_x, train_y)
model.predict(test_x)