Machine learning 变维数据的分类器

我需要训练一个分类器，它使用的数据的维数可以变化。例如（这是用于说明的制作日期）：

我正在尝试使用

scikit learn

来训练一个线性支持向量机，它要求维是固定的。一个简单的零填充较小的dim来匹配最大的dim，这给了我令人失望的结果

---

我应该为这些数据使用不同的分类器吗？我应该如何处理这个问题

尝试用特征均值/中值填充，这是处理缺失数据的另一种方法。

---

这些测量是在相同的点/特征上进行的吗？

尝试用特征平均值/中值填充，这是处理缺失数据的另一种方法。

---

这些测量值是在相同的点/特征中进行的吗？

特征哈希法是将可变长度输入转换为恒定长度输入所需的算法。然后，您可以将变换后的向量用于任何适当的学习算法

---

功能哈希是将可变长度输入转换为恒定长度输入所需的算法。然后，您可以将变换后的向量用于任何适当的学习算法

---

数据的性质（来源、真实含义）是什么？预处理步骤是什么（如果有）？它们是曲面不同点的强度测量，并渲染图像。因此，根据表面类型和条件，我可以有1..n个测量值（其中n个我尝试了基于PCA的降维，但不确定这是否合适。性质是什么（起源，真正意义）如果有的话，预处理步骤是什么？它们是曲面不同点的强度测量，并渲染图像。因此，根据曲面类型和条件，我可以有1..n个测量值（其中n个我尝试了基于PCA的降维，但不确定这是否合适）。

class-1,0,1,2,3
class-2,0,3,2,4,5,7
class-3,1,8,8,8,2,8,0,0,0
:
:
and so on...