Machine learning 基于小数据集的多特征决策融合

这不是一个非常具体的问题，我只想从本论坛的同事那里收集想法

我的问题是,

我从一台摄像机采集的视频数据中估计了人的身高、大小和布料颜色，我们称之为这些特征，我有一组与另一台摄像机采集的数据集相似的人。因此，如果第二个数据集中的人与第一个数据集中的特征相匹配（类似于重新识别），我想识别第二个数据集中的人，但是，我对如何将特征融合在一起以及如何匹配或排序（类似于分类）感到困惑

请给我一些建议和建议。

你可以试试。维基页面摘录：

典型相关在实验环境中的一个典型用途是取两组变量，看看这两组变量之间有什么共同之处

---

典型相关结果的可视化通常是通过显示显著相关的典型变量对的两组变量系数的条形图。一些作者建议，最好将它们绘制为日射图，这是一种带有射线状条带的圆形格式，每一半代表两组变量，例如…

我同意这听起来像是一个分类问题。不过，您需要设置两个类，例如human/non-human

然后，您必须检查您选择的功能是否适合您的特定问题。您可以为数据库中的每个个体绘制特征；也就是说，2D plot x=feature1，y=feature2，对从feature1到n的整个数据库执行此操作。它将允许您了解某个特征是否与将人类从其环境中分类的任务相关

现在，看起来您正在尝试进行二元分类：人类/非人类。对于这样的任务来说是很好的，但是如果你不熟悉它或者一般来说你可以从一个更简单的算法开始，比如

别忘了在[01]之间规范化数据，我认为原因很明显！一旦你选择了你的分类算法，你就必须量化你的算法完成它的任务有多好。对于这一点，你可以尝试（省略一个…等等），然后

---

玩得开心

你能更具体地说明你拥有的数据和你想做的预测类型吗？你能分享一下你的想法/尝试吗？具体来说，您在第二个数据集中是否也有相同的特征（例如高度、大小、布料颜色等）？@etov，感谢您的回复，我在第一个数据集中有100个主题。高度、重量、布料颜色是目标提取后的欧氏度量。我在第二个数据集中有相同的特征和主题。在文献阅读（）中，他们使用加权参数来融合特征，并对第二个数据集使用相同的方法，因此他们进行了一些匹配，我不理解这会导致混淆矩阵（但他们从未使用任何分类器）。你提到的论文似乎引用了另一篇论文，，其中介绍了一般的分类方法。它似乎是基于朴素贝叶斯分类方法。