Machine learning 应用mod操作进行分类

我有一套数据。 对于简单的情况：

value:  0,  3, 6, 8, 10, 13, 14
type:   o,  o, x, x,  x,  o,  o

计划是使用一个简单的“阈值”进行分类。 我们的想法是应用mod+shift来更好地分类： ex，x=x模12 然后这组对就变成了

(value) % 12:      0, 1(13), 2(14), 3, 6, 8, 10

type:              o, o,     o,     o, x, x,  x

现在我们可以使用threshold=5进行分类，而不会出现错误

---

这种mod&shift分类算法有没有形式化的算法

警告：我在这一带有点生疏了

一些初步想法：

• 有一些人暗中做了类似的事情

• 径向基函数核是我可以考虑的一件事。或者只是一个简单的例子

• 模不能用作核，因为它必须是对偶（->核技巧）且必须是双射函数。但模数会丢失信息，无法“撤消”

我把Karpath的数据改成了上面的示例数据。这提供了一个非常简单的可视化，在您的示例中，到以8为中心的（1D-）圆的径向距离将成为一个好的分类器

但是，如果你想表示模，并且可能在（6+12=）18、20或22处也有“x”值，这让我想起了一个周期信号。对于周期性信号，你可以把你的输入数据转换成“傅里叶空间”，然后在上面分类。我把它引到引号里，因为近似值可能很好

所以，让我们尝试将核函数作为（模，余数）映射。（近似于振幅和相位）。（旁注：谷歌搜索“傅里叶变换内核机器学习”表明这可能是一件事。）

Phi（x）=（x模N，x雷N）

---

据我所知，这是一个有效的特征映射函数。然后你可以把它应用到支持向量机上

这是个好主意。为什么您认为

mod

操作是合适的？从领域知识还是什么？