我正在学习应用不同的机器学习技术。现在，建议为我的问题进行逻辑回归，但我不知道如何将其应用于数据集。
我有一个xyz坐标作为时间序列的数据集，其中每一行都包含一个测试对象的xyz数据，标有A或B。我想对是否有新的xyz数据行进行分类将属于条件A或条件B。当我不得不通过查看基于时间序列的坐标集进行分类时，是否可以对我的数据进行逻辑回归？例如。逻辑回归可以预测一组时间坐标是属于条件A还是条件B？
以下数组是一个示例，其中三个坐标的每组代表该时间范围的XYZ坐标。
array([array([[array([[0.01889996]]), array([[-0.28033654]]),
array([[1.4816033]]), array([[2]], dtype=uint8)],
[array([[0.01381396]]), array([[-0.28270772]]),
array([[1.50570126]]), array([[2]], dtype=uint8)]
答案 0 :(得分：0)
您可以使用称为feature engineering的{{1}}概念来保持序列关系。例如，坐标标签可能取决于最后一个或倒数第二个坐标。因此，您可以将lag-feature个要素的最后几行与当前行一起使用，并将当前行的输出作为目标。这是一种2方法，可以在数据中保持这种相互关系。这是link，以获取更多信息。
您还可以尝试使用recurrent-network，这是跟踪数据中efficient的另一种最佳方法。