Machine learning 坐标系的逻辑回归

我正在学习应用不同的机器学习技术。现在，我的问题被推荐使用逻辑回归，但我不知道如何将它应用到我的数据集

我有一个以xyz坐标作为时间序列的数据集，其中每一行包含一个测试对象的xyz数据，标记为a或B。我想对新的xyz数据行是否属于条件a或条件B进行分类。是否可以对我的数据应用逻辑回归，当我必须通过查看基于时间序列的坐标集进行分类时？例如，我可以使用逻辑回归预测一组时间序列坐标属于条件a还是条件B

以下数组是一个示例，其中每组三个坐标表示该时间段的XYZ坐标

array([array([[array([[0.01889996]]), array([[-0.28033654]]),
    array([[1.4816033]]), array([[2]], dtype=uint8)],
   [array([[0.01381396]]), array([[-0.28270772]]),
    array([[1.50570126]]), array([[2]], dtype=uint8)]

---

您可以使用

特征工程

概念，即

滞后特征

，来保持序列关系。例如，坐标的标签可能取决于最后一个或最后第二个坐标。因此，您可以使用

2

特征的最后一行以及当前行，将当前行的输出作为目标。这是一种在数据中保持这种关系的有效方法。这里有更多信息

---

您也可以尝试，这是跟踪数据中时间关系的另一个最佳方法。

与一般问题有什么不同？你有feature

xyz

和label，现在你想预测测试

xyz

。如果我理解正确，问题是xyz坐标是相关的，所以我不能简单地指定A或B。我必须使用坐标集进行分类，而不是单个坐标。即使是特征也是相关的，它不会损害模型的分析。所以我可以在分类器中“抛出”一组坐标和一个标签，它会工作吗？好的，如果你是说，你必须使用坐标序列，来预测最后一个的标签，它仍然可以工作，但它的性能不会太好