Algorithm 多维数据的分类

我想对一些多维数据进行分类：

输入数据如下：

Data1: [[a1,b1,f1], [a2,b2,f2], ... [an,bn,fn]] where: fn = F(an,bn) --> ClassA
Data2: [[c1,d1,g1], [c2,d2,g2], ... [cn,dn,gn]] where: gn = G(cn,dn) --> ClassB
...

因此，给定Datax，如下所示，我们想将其划分为有限类之一：

Datax: [[x1,y1,z1], [x2,y2,z2], ... [xn,yn,zn]] where: zn = Z(xn,yn) --> which class?

我可能会为每条记录展平数组并训练分类器：

Data1: [a1,b1,f1,a2,b2,f2,...,an,bn,fn]

但我认为，这第三个值本身是前两个值的函数（例如<代码> fn= f（an，bN）），我应该在训练中考虑这种关系，而不是去平面数组。

---

这有什么区别吗？或者解决这个问题的最佳方法是什么？

如果每个元组的第三个数据是同一确定性函数的乘积（每行可能不同，但每行的三个数据必须相同） 然后你可以简单地切割锌，因为它不会带来任何新的信息

ex:z1=3x1+2y1；z2=3x1+2y1；[...] ; zn=3xn+2yn

如果不是这样，那么你应该离开z1

---

说到这里，我想你可以将数组展平，因为大多数模型都会自动理解这些依赖关系。

谢谢，但是是的，每个类的函数都不同，但我们不知道它们是什么。实际上，我已经简化了这个问题，我担心通过展平数组，模型无法找到依赖项。基本上，n==200，这使得每个记录都是一个由600个数字组成的数组。因此，在每个类中，我们都有一些数据记录，每个记录由600个数字组成，其中200个数字是其他400个数字的函数

zn=F（xn，yn）

，这些函数对于一个类的记录是相同的，但在不同的类中是不同的