Machine learning 用libsvm表示要使用的数据（稀疏或非稀疏）

我想对stacktraces函数进行一些数据挖掘，为此我使用libsvm 并以稀疏格式表示数据以提高处理速度，每个stacktrace是一个实例，变量是函数，即：

class1 F1,F2,F1,F456,F3  
class2 F4,F4,F4,F56,F3000  
...

在某个地方，我看到了一个不断增长的独特函数注册表，这就是函数索引的来源。理想情况下，我希望使用稀疏格式表示上述实例，并将其划分为5个变量，如下所示：

1 1:1 2:1 1:1 456:1 3:1  
2 4:1 4:1 4:1 56:1 3000:1

这在libsvm的格式中是不可能的，因此我将total functions注册表的长度添加到每个组中，以避免索引冲突，如果我们假设总共有3000个函数：

1 1:1 3002:1 6001:1 9456:1 12003:1,  this is how the first instance looks now

如果函数的数量没有改变，这是可行的，但事实并非如此，因为每次都会添加新的函数，因此必须重做整个过程

我使用的是稀疏格式，但也欢迎对其他格式的建议，我能够使用密集格式的Weka数据，使用函数名作为变量，并且它可以工作，只是比libsvm慢了很多

谢谢

您几乎没有选择：

a） 每次都要重复整个过程（我认为为libsvm生成输入比libsvm本身更快：）

b） 第一件事使用偶数，另一件事使用奇数。因此，您的示例如下所示：

1 2:1 3:1 1:1 911:1 5:1

这避免了碰撞，您不必重做整件事：）

谢谢@usamec，a）这是我目前正在做的，不确定我是否能得到b）但是？我认为一个更普遍的问题是，我如何以libsvm稀疏格式表示重复的特征，例如，a B a C。在上一个示例中，我使用了5个不同的属性，不确定奇数/偶数索引会有多大帮助？我在考虑采用正常的密集格式，使其为1:2 2:3 3:2 4:2 5:3000。。。