C# 如何在Accord.net中训练具有不同长度输入的数据集

我想用Accord.net ann和svm对一些数据集进行分类，问题是我的数据集输入数组的长度不尽相同， 每个数组的长度可以从10到大约64，

---

有没有办法处理这样一个数据集，或者我需要使它们都具有相同的大小？

您的数据集是由数字序列组成的吗？如果是，那么可以使用隐马尔可夫模型。如果有分类问题，可以使用隐马尔可夫分类器和Baum-Welch学习来创建序列分类器

例如，考虑下面的示例，涉及不同长度的数据样本：

// Declare some testing data
int[][] inputs = new int[][]
{
    new int[] { 0,1,1,0 },   // Class 0
    new int[] { 0,0,1,0 },   // Class 0
    new int[] { 0,1,1,1,0 }, // Class 0
    new int[] { 0,1,0 },     // Class 0

    new int[] { 1,0,0,1 },   // Class 1
    new int[] { 1,1,0,1 },   // Class 1
    new int[] { 1,0,0,0,1 }, // Class 1
    new int[] { 1,0,1 },     // Class 1
};

int[] outputs = new int[]
{
    0,0,0,0, // First four sequences are of class 0
    1,1,1,1, // Last four sequences are of class 1
};


// We are trying to predict two different classes
int classes = 2;

// Each sequence may have up to two symbols (0 or 1)
int symbols = 2;

现在，您可以创建隐马尔可夫模型来对其进行分类：

// Nested models will have two states each
int[] states = new int[] { 2, 2 };

// Creates a new Hidden Markov Model Sequence Classifier with the given parameters
HiddenMarkovClassifier classifier = new HiddenMarkovClassifier(classes, states, symbols);

// Create a new learning algorithm to train the sequence classifier
var teacher = new HiddenMarkovClassifierLearning(classifier,

    // Train each model until the log-likelihood changes less than 0.001
    modelIndex => new BaumWelchLearning(classifier.Models[modelIndex])
    {
        Tolerance = 0.001,
        Iterations = 0
    }
);

// Train the sequence classifier using the algorithm
double likelihood = teacher.Run(inputs, outputs);

// Classify the sequences as belonging to one of the classes:
int output = classifier.Decide(new int[] { 1,0,0,1 }) // output should be 1

---

你能告诉我更多关于数据集的信息吗？它包含的功能？它包含每个数字属于{0,1,2，…，k}的数字，其中k是已知的。感谢Cesar和greate框架！！它是否适用于连续数字？它提供了比使用动态时间包装+svm更好的结果？据我所知，序列的长度必须是已知的，对吗？是的，它适用于连续数，但可能需要使用基于高斯分布的模型。在Baum Welch学习文档页面中有一些关于如何做到这一点的示例。序列需要一个已知的长度，但它们不必具有相同的长度。如果有长度未知的序列（即流），可以使用RunningMarkovStatistics和RunningMarkovClassifier类。