Machine learning SVM机器学习-如何在训练集中定义目标？

我正在做一个项目，我必须实现支持向量机机器学习算法。我试图预测前臂的运动意图。我正在使用加速度计（连接到我的前臂）测量x、y、z轴的角度变化。我以前从未用过这台机器。我遇到的问题是，我不知道如何构造训练集。我知道每个轴的角度变化，也就是说，如果

x=45

degrees，

y=65

degrees，

z=30

degrees，我执行的手势是弯曲的。我想实现3种手势。因此，我拥有的数据是：

x     y     z      Target
20    60    90     flexion   
100   63    23     internal rotation    
89    23    74     twist

。 . .

x     y     z      Target
20    60    90     flexion   
100   63    23     internal rotation    
89    23    74     twist

我有一个大约有2000个条目的文件。我知道，我必须规范化训练集，以便缩放数据。我想对其进行缩放，使其位于范围

[0.9,0.1]

内。问题是我不知道如何在训练集中表示目标。我能用随机数吗？1表示屈曲，2表示内旋，3表示扭转

x     y     z      Target
20    60    90     flexion   
100   63    23     internal rotation    
89    23    74     twist

---

此外，培训完成后，我是否可以仅根据x、y、z的值进行预测？？无需提供目标值。我的理解正确吗？

首先，我建议您不要对数据进行缩放或编码。让它以人类可读的形式存在。相反，编写前端例程来执行这些任务，编写后端例程来反转过程。还具有可以在内部窗体中显示数据的内部例程。预先执行这些操作将极大地增强您以后的调试

x     y     z      Target
20    60    90     flexion   
100   63    23     internal rotation    
89    23    74     twist

是的，您可能希望将分类编码为1、2、3。另一种可能性是有一个“一热”有序三元组：（1,0,0）或（0,1,0）或（0,0,1）。然而，大多数支持向量机算法都是针对标量输出而建立的。另外，请注意，多类算法的典型处理方法是运行三个单独的SVM计算，“一对一”。对于每个类，将该类视为“正”数据，将所有其他类视为“负”数据

x     y     z      Target
20    60    90     flexion   
100   63    23     internal rotation    
89    23    74     twist

缩放数据对于回归收敛非常重要。若你们通过支持向量的完整和直接计算来构建你们的支持向量机，你们不需要缩放兼容范围内的数字，比如这些。如果你是通过某种迭代近似来做的，你仍然不需要它来处理这些数据，但是要记住它，以备将来使用

x     y     z      Target
20    60    90     flexion   
100   63    23     internal rotation    
89    23    74     twist

---

是的，预测只给出输入：x，y，z。它将返回目标分类。这就是监督学习的目的：总结经验，对未来进行分类。

你必须使用SVM吗？在交叉验证的社区中，你可能会在这个问题上有更好的运气。有人建议我使用SVM。。。什么是交叉验证社区？？？缩放数据对SVM也很重要，因为这不是仿射变换不变方法。因此，不同的尺度意味着不同的结果，这与解算器无关，而与支持向量机本身的成本有关。此外，在任何类转换中都没有意义-无论编码为1、2、3还是一个hot都是不需要的，因为SVM是一个二进制模型，它将不关心您所称的标签。感谢更新。我使用的一些算法坚持将标签编码为整数。如果OP的算法中没有这一限制，那么人为地对它们进行编码肯定没有意义。当然，许多事情可能是特定于实现的，对于SVM来说，尽管特定库需要特定的编码，但任何特定的编码都没有意义。非常感谢您的回答。非常有帮助。。但我没有得到这一部分：另外，请注意，多类算法的典型处理方法是运行三个单独的SVM计算，“一对一”。对于每个类，将该类视为“正”数据，将所有其他类视为“负”数据。很抱歉，我只是无法得到它搜索“SVM”+“一对所有”。有大量的点击率。简单地说，您为每个类训练一次：将该类重新编码为“1”，将其他类重新编码为“0”，然后训练SVM模型。完成所有三个类的测试后，您就可以解决发现的模型之间的重叠或差距（通常通过获取“最接近”的分数，有时根据类大小进行加权）。

x     y     z      Target
20    60    90     flexion   
100   63    23     internal rotation    
89    23    74     twist